《Journal of Hazardous Materials Advances》:Classification of Microplastic Particles in Water using Polarized Light Scattering and Machine Learning Methods
编辑推荐:
水体中微塑料(microplastics, MPs)的检测与分类由于其性质多样以及传统光学方法的局限性,仍然面临重大挑战。标准光谱技术常受水的强红外吸收影响,而许多新兴光学方法依赖透射几何构型,因此要求样品具备透明性。本研究提出一种系统性的分类框架,利用相对于
水体中微塑料(microplastics, MPs)的检测与分类由于其性质多样以及传统光学方法的局限性,仍然面临重大挑战。标准光谱技术常受水的强红外吸收影响,而许多新兴光学方法依赖透射几何构型,因此要求样品具备透明性。本研究提出一种系统性的分类框架,利用相对于入射光束120°的偏振反向散射(polarimetric backscattering)与深度学习,直接在水中识别常见聚合物——高密度聚乙烯(HDPE)、低密度聚乙烯(LDPE)和聚丙烯(PP)。该基于反向散射的方法专门用于分析不透明、形状不规则且在标准照明下缺乏可辨表面特征的颗粒。为确保高保真数据,研究人员引入反馈审查循环(feedback review loop, FRL)以识别并移除离群值,这显著稳定了模型训练并改善了泛化能力。该框架在一个包含600个单独成像微塑料碎片的数据集上得到验证,样本覆盖3种聚合物类型。结果评估了线偏振角(Angle of Linear Polarization, AOLP)与线偏振度(Degree of Linear Polarization, DOLP)对分类过程的独特贡献。通过实施后期融合(late fusion)架构以联合这些信号,测试平均准确率达到83%。最后,系统性的特征层级分析表明,卷积神经网络(convolutional neural network, CNN)依赖于与颗粒微结构相关的内部偏振纹理,而非宏观轮廓;当内部结构被移除后,分类准确率下降超过40%。这表明该系统提取了传统仅强度成像方法无法获取的偏振依赖性内部结构信息。
该文发表于《Journal of Hazardous Materials Advances》,聚焦于水体中微塑料原位识别这一环境分析与光学检测交叉领域的关键问题。研究背景在于,微塑料已广泛存在于海洋、淡水和饮用水系统中,并可能通过食物链转移及医疗输液等途径形成人体暴露风险,因此亟需建立能够直接在水相中完成颗粒识别的检测方法。现有主流方法各有明显局限:热裂解-气相色谱-质谱(Py-GC-MS)虽然具有较强化学识别能力,但属于破坏性分析,无法实现原位监测;傅里叶变换红外光谱(FTIR)受水分子强红外吸收严重干扰;拉曼光谱(Raman spectroscopy)虽可规避水吸收,但散射截面小、采集时间长,且易受荧光背景影响。与此同时,数字全息与透射偏振测量等新兴技术通常依赖透射光路,对不透明、风化严重或形态不规则颗粒适用性有限。因此,为什么开展这项研究十分明确:需要一种能够在不滤膜富集、不干燥、不化学消解的前提下,直接于水中对单颗粒微塑料进行分类的高通量、非破坏性技术。
围绕这一目标,研究人员构建了基于120°反向散射几何的反射式偏振成像分类体系,以线偏振角(AOLP)和线偏振度(DOLP)作为核心表征量,结合卷积神经网络(CNN)完成聚合物类别判别。研究对象为3类化学性质相近的聚烯烃微塑料,即聚丙烯(PP)、高密度聚乙烯(HDPE)和低密度聚乙烯(LDPE),粒径范围为50–300 μm。全部颗粒均为无色、不透明、形态不规则碎片,常规数字显微镜下难以凭外观区分材质。研究结论显示:在该任务中,AOLP比DOLP表现出更高的稳定性和泛化能力;经反馈审查循环(FRL)去除约6%的问题图像后,模型验证性能明显提升;在测试集上,AOLP模型准确率为80%,DOLP模型约为79%,而将二者进行后期融合后,整体测试准确率提升至83.3%。更重要的是,特征退化实验表明,分类器主要依赖颗粒内部偏振微纹理,而非外部形状轮廓,从而证明该方法提取的是与材料微结构相关、传统强度成像无法获得的物理信息。该研究的重要意义在于,为复杂水环境中不透明微塑料的原位识别提供了一个兼具物理可解释性与实时应用潜力的新框架,填补了反射式偏振成像结合深度学习进行单颗粒聚合物分类的研究空白。
研究人员采用的关键技术方法主要包括以下几个方面。首先,建立532 nm线偏振激光照明、120°散射采集的反射式偏振成像系统,利用分焦平面偏振相机(Division of Focal Plane, DoFP)同步获取0°、45°、90°和135°四个分析方向的原始强度图像。其次,采用傅里叶域零填充(Fourier-Domain Zero-Padding, FDZP)完成偏振去马赛克重建,并计算Stokes参数S
0、S
1、S
2,进一步生成AOLP与DOLP图。再次,研究人员建立自动分割与掩膜流程,提取单颗粒区域,并通过反馈审查循环(FRL)在五折分层交叉验证中依据逐图交叉熵损失识别离群样本。最后,使用轻量级YOLO11n骨干网络进行分类训练,并通过后期融合多层感知机(MLP)整合AOLP和DOLP两路特征。样本来源为实验室机械磨蚀制备的PP、HDPE、LDPE颗粒,共600个单颗粒图像。
以下结合论文结果部分各小标题,对研究发现进行凝练解读。
3.1. Feature Set Predictive Capacity
该部分比较了AOLP与DOLP两类偏振特征集的预测能力。通过五折分层交叉验证,研究人员发现AOLP特征集具有更高且更稳定的分类性能,平均最大Top-1准确率为0.85 ± 0.03,平均最小验证损失为0.43 ± 0.11;相比之下,DOLP特征集的平均最大准确率仅为0.74 ± 0.06,验证损失升高至0.72 ± 0.11,说明其泛化能力较弱且对数据划分更敏感。随后,研究人员通过FRL识别并移除了30张问题图像,约占总数据集的6%。这些样本主要存在偏振信号区域不足、气泡干扰偏振结构以及人工对焦或预处理伪影等问题。经数据净化后,AOLP模型平均最大准确率提升至0.89 ± 0.03,DOLP模型提升至0.81 ± 0.03,表明高质量数据基础对于偏振学习框架至关重要。
3.2. Generalization on unseen data (Test Set)
该部分评估模型在完全未知测试集上的泛化表现。结果显示,AOLP模型在15%未触及测试集上的最终分类准确率为0.80。研究人员指出,验证阶段的0.89与测试阶段的0.80之间存在差值是可以预期的,因为测试集中保留了训练净化过程中未移除的真实噪声因素,如附着气泡和对焦波动。这一结果说明,模型是在较干净的训练基础上学习到了聚合物特异性偏振纹理,并在包含现实测量扰动的数据上仍保持稳健。混淆矩阵进一步揭示,AOLP模型的主要误差来源是将PP误判为LDPE,同时HDPE与LDPE之间也存在双向混淆;DOLP模型在HDPE类别上的误判更突出,但对PP的识别率最高。这表明两类特征在材料区分上具有互补性。论文还补充说明,测试集中包含伪影样本并未降低结果的可信度,因为附加灵敏度分析表明排除这些样本并不会进一步提升分类准确率。
3.3. Feature Hierarchy Quantification and Signal Robustness
该部分通过系统性的特征退化实验,分析CNN究竟依赖何种视觉线索进行分类。研究人员设置了多种退化场景,包括去除内部结构保留轮廓、打乱纹理像素排列、平滑宏观边界并仅保留外形,以及全图噪声扰动。AOLP模型在原始图像上的准确率为0.80,当去除内部结构后仍保持0.76,打乱纹理后降至0.70,而当细致边界被平滑成统一外壳后则骤降至0.38;DOLP模型原始准确率为0.79,在去除内部结构后立即降至0.61,纹理扰乱后进一步降至0.51,平滑外形后为0.39。通过这一研究,论文得出结论:两类模型均主要依赖颗粒内部偏振纹理及其空间相关性,而不是简单记忆粒子轮廓;其中DOLP对内部结构完整性依赖更强,AOLP则相对更稳健。分类性能在纹理去除后接近噪声下限,直接证明系统提取的是标准非偏振成像不可见的内部结构信号。
3.4. Signal combination by late stage fusion
该部分探讨如何整合AOLP与DOLP的互补优势。研究人员构建后期融合架构,将两个冻结YOLO骨干提取的高维特征向量拼接后输入多层感知机(MLP)作为元分类器。混淆矩阵显示,融合模型在各聚合物类别上获得更均衡表现,对HDPE、LDPE和PP的分类准确率分别达到87%、80%和83%。总体测试准确率为83.3%,优于单独AOLP与DOLP模型。通过这一设计,模型既保留了DOLP对PP较高灵敏度的优势,又吸收了AOLP在区分两种聚乙烯时更稳定的结构表征能力,说明多模态偏振特征联合分析能够克服单一描述符的局限。
3.5. Statistical evaluation of classification performance
该部分从统计学层面对分类结果进行补充验证,并设置了普通明场显微图像基线实验。研究人员以相同聚合物类别、相同数据划分策略和相同CNN训练流程,对300张Keyence明场显微图像进行比较。结果显示,普通强度成像基线准确率仅为46.6%,明显低于DOLP模型的78.9%、AOLP模型的80.0%和融合模型的83.3%。95% Wilson置信区间显示三种偏振模型之间存在区间重叠;McNemar精确二项检验也未发现AOLP、DOLP和融合模型两两之间达到统计学显著差异。这说明在当前测试样本量下,三种偏振模型的性能差异仍可能部分归因于随机波动,但它们相对于普通明场成像的优势是清晰而实质性的。按类别分析,LDPE始终是最具挑战的类别,而PP分离效果最好,尤其在融合模型中精确率达到0.962。
讨论部分围绕成像几何、偏振参数物理含义与聚合物微结构之间的关系,对结果进行了物理解释。研究人员指出,120°反向散射偏振几何使系统能够在水中直接分析不透明、形状不规则的微塑料颗粒,这一点不同于依赖透射光路的传统方法。DoFP快照式偏振成像虽然在空间分辨率和偏振采样精度上不及旋转分析器系统,但能够以硬件帧率实现快速采集,因此分类框架更依赖空间分布的偏振图样,而非高精度点测量。AOLP与DOLP之所以展现不同功能特性,根源在于二者物理定义不同:AOLP由S
2/S
1的比值决定,不依赖总强度S
0,因此对照明波动和局部散射变化更稳健;DOLP则直接反映入射偏振状态在回散射场中的保留程度,对表面粗糙度、内部散射中心密度和环境扰动更敏感。
在聚合物微结构层面,研究人员将DOLP和AOLP差异与结晶形貌联系起来。PP具有较明显的球晶结构和层片有序排列,因此可产生更高且更宽分布的DOLP;HDPE结晶度高、层片堆积紧密,内部界面更多,导致去偏振增强并形成更平滑的AOLP过渡;LDPE因支链较多、结晶度较低,内部结构更无序,其DOLP统计与HDPE接近,但AOLP空间过渡不如HDPE平滑,这也解释了HDPE与LDPE在所有分类器中持续存在的混淆。由于三者在532 nm下折射率差异很小,单纯依赖表面Fresnel反射难以实现有效区分,因此真正主导分类的是由表面与次表面散射共同形成的、依赖微结构的空间偏振纹理。特征退化实验对这一解释提供了直接支持。
论文同时讨论了研究局限。当前数据集完全由实验室条件下机械破碎的原始工业聚合物颗粒组成,尚未纳入环境风化微塑料,因而不能直接宣称对现场样本具有充分泛化性。紫外老化、生物污损、色素吸收以及微裂纹引起的各向异性应力场都可能改变偏振响应。另一个限制在于自然水体浊度、溶解性有色有机物和悬浮泥沙会降低颗粒可见性并影响分割和信号提取。不过作者认为,若介质带来的偏振贡献是整体性的,其对颗粒相对空间纹理结构的影响可能小于对绝对偏振值方法的影响,AOLP也可能因独立于强度而比DOLP更具环境鲁棒性,但这些判断仍需进一步实验验证。
结论部分可译述如下:本研究构建了一种120°反向散射偏振测量系统,并结合后期融合CNN分类器,实现了对直接浸没于水中的不透明PP、HDPE和LDPE微塑料碎片(50–300 μm)的识别,在无需过滤或干燥的条件下达到83%的分类准确率。该流程整合了分焦平面偏振传感器、用于Stokes参数重建的傅里叶域去马赛克方法,以及通过系统性移除约6%高损失离群值来提升验证性能的反馈审查循环(FRL),从而证明反射式偏振成像能够为微塑料原位分类提供稳健方案。特征层级分析揭示,分类主要由图像内部微结构偏振纹理驱动,而非宏观形态,因此该方法在一定程度上具有形状无关性。AOLP因不依赖S
0而对环境噪声更具韧性,但AOLP与DOLP的后期融合对于区分PP与PE等化学性质相近聚合物仍然是必要的。总体而言,该研究为构建可扩展、实时化的水体微塑料原位监测系统奠定了方法学基础。