使用集成深度学习自动检测形态多样的微塑料

《Journal of Cleaner Production》:Automated detection of morphologically diverse microplastics using ensemble deep learning

【字体: 大 中 小 】 时间:2026年10月01日 来源:Journal of Cleaner Production 10.7

编辑推荐:

   •集成深度学习方案应对微塑料的形态多样性。•两个专门的YOLOv8模型根据尺寸特征处理颗粒。•集成架构克服了类别不平衡问题。•该框架在训练和推理过程中保持计算效率。•该集成方法优于其他可用的深度学习模型。引言塑料污染已成为全球生态系统的一大威胁。每年产生的塑料垃圾超过3000

  
  • •
    集成深度学习方案应对微塑料的形态多样性。
  • •
    两个专门的YOLOv8模型根据尺寸特征处理颗粒。
  • •
    集成架构克服了类别不平衡问题。
  • •
    该框架在训练和推理过程中保持计算效率。
  • •
    该集成方法优于其他可用的深度学习模型。

引言

塑料污染已成为全球生态系统的一大威胁。每年产生的塑料垃圾超过3000万吨,其中包括480万至1280万吨微塑料,其尺寸不大于5毫米(Thompson等,2004;Cole和Galloway,2015;Hartmann等,2019)。初级微塑料是人工制造的,如塑料微珠(Gregory,1996),常见于牙膏、肥皂、洗面奶(Magni等,2019)等个人护理产品,以及纺织品和沐浴露中(Cole等,2011)。次级微塑料则来源于被丢弃在环境中的较大塑料制品,通过太阳辐射和生物降解等多种过程降解为小颗粒(Andrady,2011;Galgani等,2013)。
大量研究表明,源自工业活动和废物流的微塑料(Eriksen等,2013)中,大部分为次级微塑料。按化学成分分类,微塑料可分为多种聚合物类型,如聚苯乙烯(PS)、聚丙烯(PP)、聚乙烯(PE)、聚酰胺(PA)、聚对苯二甲酸乙二醇酯(PET)和聚氯乙烯(PVC)。PP和PE是环境样品中发现的最丰富的聚合物类型(Tong等,2020)。微塑料污染具有广泛的生态环境影响,对水生和陆地生态系统以及多个层级的生物均产生显著影响。
海洋生物经常将微塑料误认为食物而吞食,这可能导致消化系统阻塞,进而引发饥饿、内脏损伤甚至死亡。此外,微塑料相关的有毒化合物会渗入海洋生物的组织,并随着食物链的传递而发生生物富集(Bhattacharya和Roychoudhury,2023;Ivar do Sul和Costa,2014)。环境中微塑料的检测对于保护环境和人类健康具有重要意义。文献中已开发出多种表征微塑料的技术。
代表性方法包括显微镜技术(Expósito等,2025)、热分析(Ricard等,2025)、光谱分析(Yang等,2025)和电化学分析(Surucu,2025)。尽管这些方法在可控条件下有效,但在实际应用中存在显著局限性。主要挑战包括检测速率慢、选择性低、检测效率有限以及设备成本高昂。此外,某些方法在不同类型微塑料之间的适用性较低(Huang等,2023a)。例如,电化学传感器主要检测聚苯乙烯颗粒,仅有少量传感器能够检测聚乙烯和聚丙烯(Guo等,2024a;Liu等,2025)。
机器学习的进步推动了更高效微塑料检测方法的开发(Guo等,2024b)。已开发出机器学习模型来识别微塑料,其效率高于手动分析方法(Kedzierski等,2019;Michel等,2020;de Medeiros Back等,2022)。除分类任务外,深度学习模型还被应用于分割任务。例如,已开发出深度学习模型来定量分析微塑料,准确率达到90%以上(Prata等,2019;Huang等,2023b)。尽管将机器学习技术应用于微塑料检测和表征方面取得了进展,但仍面临诸多挑战:(1)数据不平衡,包括类别不平衡和实例不平衡(Kedzierski等,2019);(2)数据稀缺;(3)训练、验证和测试数据之间的准确率不一致;以及(4)对非专业人士的可用性有限(Guo等,2024a)。
为克服这些挑战,本文提出了一种基于集成深度学习的计算机视觉方法,用于从显微图像中自动检测多种微塑料(纤维、薄膜、碎片、颗粒)。该方法将集成学习与数据增强技术相结合。具体而言,该方法旨在通过尺寸自适应集成架构解决类别不平衡和数据稀缺问题,同时提高准确率和效率。本研究有两个主要目标:(1)开发一种鲁棒的集成深度学习方法,通过专门的微塑料检测模型有效缓解类别层面和实例层面的不平衡问题;(2)实现并评估该方法在不同形状和尺寸微塑料上的性能。
主要贡献包括利用几何数据增强技术来增加微塑料图像数量,以及创建尺寸自适应集成架构,该架构集成了针对不同类型颗粒特征优化的YOLOv8模型。创新之处在于提出了一种专门的集成深度学习架构,通过并行模型专业化克服了微塑料检测中的类别不平衡和数据稀缺挑战,并开发了用于识别多种微塑料的框架。论文其余部分如下:第2节介绍方法部分;第3节介绍结果与讨论;第4节总结本研究结论并提出未来机遇。

章节摘要

方法

所提出的框架如图1所示,包括六个关键步骤,形成一个用于检测微塑料的集成流水线。(1)数据采集:从Roboflow(Kueranan和microplastic_100数据集,2023)收集微塑料图像。(2)数据标注:使用标注工具对收集的图像进行标注,定义四个类别:纤维、薄膜、碎片和颗粒。(3)数据增强:使用几何增强技术对标注数据集进行增强

集成模型

最初使用统一的多类模型进行检测。然而,对结果的分析揭示了导致颗粒检测困难的两个主要因素。首先,与纤维、薄膜和碎片颗粒相比,颗粒的物理尺寸明显更小,需要更高的空间分辨率才能实现准确的检测和定位。其次,对数据集统计的分析揭示了显著的实例级

结论

本文提出了一种用于从显微图像中自动检测多种微塑料类型的集成深度学习方法。本研究旨在通过采用具有不同分辨率配置的两个专门YOLOv8模型的尺寸自适应集成架构,克服形态多样性和类别不平衡挑战。基于上述研究,可以得出以下结论。
  • •
    形态多样性限制了统一检测方法的准确性。

CRediT作者贡献声明

Seyed Amirhossein Moghaddas:撰写–原稿、可视化、验证、软件、方法、调查、形式分析、数据整理、概念构思。Yi Bao:撰写–审阅与编辑、监督、项目管理、获取资金。

代码和数据可用性

代码和数据可在以下地址获取:https://amirmoghaddas1994.wixsite.com/my-site-5/s-projects-basic。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Yi Bao获得了美国国家海洋和大气管理局的资助。

致谢

本研究由美国国家海洋和大气管理局资助[资助编号 NA23OAR4170169]。研究内容仅反映作者的观点,不一定反映赞助方的认可或意见。
Seyed Amirhossein Moghaddas|Yi Bao
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号