综述:基于人工智能的微纤维成像技术:显微镜分析、振动分析及高光谱分析
《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》:Artificial intelligence-powered imaging of microfibers: Microscopy, vibrational and hyperspectral analysis
【字体:
大
中
小
】
时间:2026年06月26日
来源:TRAC-TRENDS IN ANALYTICAL CHEMISTRY 13.5
编辑推荐:
张毅|高新宇|陈越|马鹏|李晓宇|吴文钦|董琪|王晓书|孙立超|余丽|肖毅|张兆伟
武汉纺织大学湖北江夏实验室生物医学工程与健康学院,新型纺织材料与先进加工技术国家重点实验室,中国湖北省武汉市430200
**摘要**
微纤维因其来源广泛、难以降解、易与天然纤维混淆
张毅|高新宇|陈越|马鹏|李晓宇|吴文钦|董琪|王晓书|孙立超|余丽|肖毅|张兆伟
武汉纺织大学湖北江夏实验室生物医学工程与健康学院,新型纺织材料与先进加工技术国家重点实验室,中国湖北省武汉市430200
**摘要**
微纤维因其来源广泛、难以降解、易与天然纤维混淆以及带来的生态和健康风险,逐渐成为备受关注的环境污染物。微观成像、振动光谱学和高光谱成像等检测技术对于微纤维的识别、表征和分析至关重要。然而,复杂的环境基质和背景干扰仍会导致信号质量差、处理效率低且适应性有限。人工智能凭借强大的非线性特征提取和模式识别能力,为解决这一问题提供了可行方案。本文综述了人工智能辅助微纤维检测的最新进展,比较了传统机器学习模型与深度学习模型,介绍了相关的神经网络架构,并探讨了数据增强、多模态融合和迁移学习等策略。此外,还分析了人工智能在微观成像、傅里叶变换红外光谱、拉曼光谱及高光谱成像中的应用,重点关注微纤维的识别、分割、计数和聚合物分类问题,同时讨论了未来的发展机遇与挑战。
**引言**
环境中的微纤维污染一直备受重视,已成为环境监测和风险评估的重要对象[1][2][3][4]。微纤维是指尺寸从微米级到5毫米不等的纤维状颗粒,属于最普遍存在的微塑料形态之一[5][6]。本文中所指的微纤维特指合成微纤维,即聚酯纤维和尼龙纤维等纤维状微塑料颗粒。只有在与区分或基质干扰相关时,才会提及天然纤维(如棉纤维和羊毛)及半合成纤维(如人造丝),因为它们在形态或光谱特征上可能与合成微纤维相似。微纤维的来源十分多样,主要包括纺织工业排放物、轮胎磨损、渔业活动、绳索和电缆的老化,以及家庭洗涤和日常使用纺织品过程中释放的合成纤维[7][8]。在海水、沉积物、地表水、地下水、土壤以及废水处理系统中都检测到了微纤维,且其在环境样本中的占比往往很高[9][10][11][12]。例如,在坦帕湾的随机采样和浮游生物拖网采样中,微纤维分别占总量的76%和88%[13]。由于微纤维在环境中具有较高的持久性和移动性,且容易吸附其他污染物并进入食物链,因此其带来的生态风险和健康危害引起了广泛关注[14][15][16][17][18][19]。因此,准确识别和量化环境中的微纤维对于评估新兴污染物的负荷、确定污染源以及为环境管理和决策提供依据具有重要意义[20][21]。
目前,微纤维的检测主要依赖于三种互补的分析技术:微观成像、振动光谱学和高光谱成像。微观成像能够直接提供纤维的尺寸、形状、颜色、表面纹理和空间分布等形态信息,适用于目标粒子的定位、分割和计数。振动光谱学,尤其是傅里叶变换红外光谱、拉曼光谱和表面增强拉曼散射技术,能够提供与聚合物特定化学键相关的分子指纹信息,从而实现高度精确的材料识别和确认[22][23]。近年来,基于表面增强拉曼散射的技术进一步证明了在复杂样品中通过增强信号强度来提升检测灵敏度并减轻基质干扰的潜力[23][24]。高光谱成像则结合了成像与光谱分析的优点,能够为每个像素记录空间分辨的光谱信息,从而在较大的视野范围内同时获取化学成分和空间分布信息。在利用光谱技术和高光谱成像对土壤中的微塑料进行无损识别的研究中,这一优势得到了充分体现[25]。这三种分析技术被选作整合人工智能技术的核心手段,因为它们能够生成具有代表性的图像、光谱以及光谱-空间数据结构,这些数据可直接与计算机视觉、化学计量学学习和多模态深度学习模型相结合[22][25]。它们各自的互补作用有助于形成以图像引导、光谱验证的工作流程,进而提高在复杂环境基质中检测微纤维的稳健性、处理效率及结果可解释性。
尽管这些技术在微纤维的初步筛选、形态表征和聚合物成分鉴定方面发挥着重要作用[26][27][28][29],但由于微纤维在尺寸、形态和聚合物成分上存在高度异质性,再加上环境基质的复杂性,现有的方法仍然面临三大瓶颈。首先,从微纤维检测中获得的图像或光谱的信号质量较差,如信号分辨率低、信噪比低,这使得难以准确识别尺寸较小的(亚微米级)微纤维;同时,复杂的荧光现象和基质干扰会掩盖特征峰。其次,传统的光谱和成像技术依赖逐点扫描或人工解读,导致处理效率极低。鉴于微纤维光谱和图像产生的数据量巨大,人工解读或逐点扫描方式效率低下、耗时较长,且极易出现人为错误。第三,这些方法的环境适应性较弱。由于复杂基质的干扰以及检测协议的缺乏标准化,光谱库匹配在复杂基质中常常失败,难以在不同仪器和实验室之间对比数据[30][31][32][33]。因此,迫切需要开发新的分析技术来克服上述瓶颈。
近年来,作为人工智能重要分支的机器学习技术逐渐被应用于新兴污染物的分析检测。数据驱动的机器学习方法,包括传统的机器学习模型和深度学习模型,能够从微纤维图像和光谱等原始数据中提取高维的判别特征。通过揭示复杂的非线性关系,这些方法为微纤维目标的自动识别和定量分析提供了一种新的技术途径[34][35][36][37](见图1)。一方面,传统的机器学习方法已被广泛用于与微纤维相关的光谱和成像数据的分类及定量分析[39][40]。这类方法通常具有较高的计算效率和良好的可解释性。但其性能在很大程度上取决于特征提取的质量、数据预处理以及人工特征工程的水平。此外,它们对数据分布的变化较为敏感,在处理高维大规模数据集时表现出一定的局限性。另一方面,深度学习则为微纤维检测提供了更为灵活的数据驱动分析框架。卷积神经网络能够通过端到端学习自动提取多尺度特征,在微观成像、化学成像和一维光谱分析等领域展现出强大的表征能力。以U-Net为代表的编解码器架构则有助于实现对微纤维目标的精确分割和自动计数,从而为长度分布、形态参数和丰度指标的定量分析奠定坚实基础。与传统机器学习相比,深度学习在处理复杂非线性关系、识别弱信号特征以及实现多类区分方面具有明显优势,同时也能有效减少对人工经验和特征工程的依赖。最近,基于自注意力机制的Transformer模型通过显式建模全局依赖关系,为在复杂场景下提升识别稳健性和跨领域泛化能力提供了新的思路。然而,深度学习模型固有的“黑箱”特性以及对大规模标注数据集的强烈依赖,仍是其在微纤维检测中广泛应用的主要障碍。
现有的综述已广泛探讨了振动光谱检测、微观图像分析、仪器整合以及机器学习在微塑料分析中的应用[20][26][27][28][31][34][36][37]。但这些综合性综述大多以整体微塑料为研究对象,很少专门聚焦于作为重要形态类别的微纤维。此外,当前的研究通常只关注单一的分析技术,或侧重于采样、检测和标准化等特定步骤,因此缺乏对算法架构与具体数据特征之间匹配关系的系统比较分析(见表1)。由于分析对象、数据类型、模型类型及验证策略存在极大差异,以往的综述难以建立统一的比较框架,也就无法系统地评估不同算法在各种分析场景下的适用性和固有局限。有鉴于此,本文从算法驱动、跨模态的角度专门探讨微纤维检测技术。鉴于针对微纤维的人工智能辅助研究数量较少,只有那些涉及纤维状颗粒,或提供了可直接应用于微纤维检测和表征的分析方法、数据结构或建模策略的微塑料研究才会被纳入讨论。本文系统总结了各类机器学习架构在微观成像、振动光谱(傅里叶变换红外光谱和拉曼光谱)以及高光谱成像等主要数据类型中的应用情况。特别强调了在复杂基质背景、低信噪比、形态交织以及不同仪器或基质间的差异等具有挑战性的条件下去评估算法性能的重要性。最后,本文从数据、模型和知识三个层次总结了机器学习驱动的微纤维检测领域的关键研究进展,阐述了算法与数据集的协同发展如何推动微纤维检测向高性能、高可解释性且更易于实际应用的自动化分析系统转变。
2026年1月,我们在Web of Science、PubMed和Google Scholar上进行了系统的文献检索。检索时结合了与分析对象相关的术语(“微塑料”“塑料”“纤维”和“微纤维”)、分析技术相关的术语(“显微镜”“成像”“光谱学”“傅里叶变换红外光谱”“拉曼光谱”和“高光谱成像”),以及计算方法相关的术语(“人工智能”“机器学习”“深度学习”和“神经网络”)。对检索到的记录进行了去重处理,并筛选出与人工智能辅助微纤维检测、表征、分割、计数、聚合物分类及多模态分析相关的文献。只有那些涉及纤维状颗粒,或提供了与微纤维检测和表征直接相关的方法的微塑料研究才会被纳入分析范围。
**片段摘录**
**人工智能赋能的微纤维分析**
作为人工智能的一个重要分支,机器学习已广泛应用于计算机视觉和自然语言处理等领域,也逐渐成为微纤维检测中的关键工具。人工智能在微纤维分析中的作用并非取代原有的分析信号,而是将微观图像、光谱数据中所蕴含的成分、形态和空间分布信息转化为计算机可处理的特征。这一过程……
**基于微观图像的微纤维检测**
基于显微镜的微纤维检测通常采用光学显微镜[85][86]、荧光显微镜[87]、扫描电子显微镜[88]以及原子力显微镜[89][90],将微纤维的形态、尺寸和空间分布等信息转化为高分辨率的图像数据。在此基础上,可以实现目标粒子的定位、计数和类别区分[91]。与依赖人工设定阈值的传统图像分析流程相比,……
**挑战与局限**
人工智能辅助微纤维检测所面临的关键挑战、局限以及相应的未来发展方向,包括信号质量、环境基质复杂性、数据基础、模型泛化能力以及实际应用问题,已在图8中进行了概括说明。
**结论**
人工智能与现代成像及光谱技术的结合,正在推动微纤维分析从人工解读向自动化、高效率监测的方向转变。本文系统梳理了传统机器学习与深度学习在微观成像、傅里叶变换红外光谱、拉曼光谱以及高光谱成像检测中的应用进展,分析了各种架构在复杂环境基质下的特征提取与识别能力。机器学习展现出……
**CRediT作者贡献声明**
孙立超:数据整理。余丽:指导监督。肖毅:论文撰写——审稿与编辑、指导监督、概念设计。张兆伟:论文撰写——审稿与编辑、指导监督、资金获取、概念设计。张毅:论文撰写——审稿与编辑、研究工作、正式分析、数据整理。高新宇:研究工作、正式分析。陈越:验证工作。马鹏:可视化处理。李晓宇:研究工作、资金获取。吴文钦:研究工作。董琪:正式分析。王晓书:……
**数据可用性**:无。
**利益冲突声明**
作者声明没有利益冲突。
**致谢**
本研究得到了中国西藏自治区科技计划项目(项目编号:XZ202502ZY0068)、国家自然科学基金(项目编号:22304136)以及湖北省教育厅科研计划青年人才项目(项目编号:Q20241611)的支持。
生物通微信公众号
生物通新浪微博
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