基于Mueller矩阵显微成像与深度学习的悬浮颗粒智能识别方法及其在水质监测中的应用

针对水体悬浮颗粒物因材料多样、形态复杂导致的检测难题，研究团队创新性地将Mueller矩阵显微成像技术与深度学习相结合，开发了专用于偏振图像的MultiPolarNet模型。该模型以自研Dual-HGNet为骨干网络，在微球偏振数据集上实现mAP@0.5达95.2%，推理速度仅3.9 ms，为水质监测、生态保护等领域提供了高精度、实时的原位检测方案。

　　

水体中悬浮的微小颗粒如同“水下雾霾”，时刻影响着水生生态系统健康。从微藻、微塑料到沉积物，这些粒径不足100 μm的颗粒物虽小，却因材料复杂、形态各异成为环境监测的难题。传统光学显微镜和流式细胞仪虽能分类，但受制于高昂成本与人工干预；浊度仪虽快却无法识别材料特性。更棘手的是，动态水体环境使现有技术难以满足原位实时监测需求，而人工特征提取效率低下且主观性强。这种困境在微塑料污染加剧、藻华频发的当下尤为突出——我们亟需一种能“看透”颗粒本质的智能检测技术。

汕头大学的研究团队独辟蹊径，将Mueller矩阵显微成像的偏振光“指纹”识别能力与深度学习的特征挖掘优势相结合。他们以聚苯乙烯（PS）和聚甲基丙烯酸甲酯（PMMA）标准微球为样本，构建了包含偏振图像、Mueller矩阵图像和偏振特征图像的多模态数据集。通过改造YOLOv11模型架构，引入自主研发的DualConv高性能GPU网络（Dual-HGNet）作为骨干，最终打造出专为偏振图像优化的MultiPolarNet模型。这项发表于《Marine Pollution Bulletin》的研究，为水质监测装上了“偏振慧眼”。

关键技术方法
研究团队建立了双模态Mueller矩阵显微成像系统，通过MATLAB实现全偏振态图像的自动化采集；开发了融合双路径卷积的Dual-HGNet骨干网络，显著降低模型复杂度；采用偏振特征融合策略，使模型能同时解析颗粒的偏振参数（包括二向色性D、退偏Delta和延迟R）；实验采用标准超参数，在配备Nvidia GeForce GTX 4060ti显卡的平台上完成模型训练与测试。

研究结果

1. 目标检测技术
通过对比CNN与Transformer架构的特性，研究选择以卷积神经网络为基础进行改进。YOLOv11的检测框架被保留，但其骨干网络被替换为更适应偏振图像特性的Dual-HGNet，这种设计在保持实时性的同时提升了小目标检测精度。

2. 材料选择
实验选用折射率分别为1.59和1.49的PS与PMMA微球模拟真实水体中的微塑料。这两种材料的光学特性差异显著，为模型提供了具有挑战性的分类基准。

3. 实验环境
在Intel i5-12600KF CPU和8GB显存显卡的硬件配置下，模型展现出卓越的效能。PyTorch 1.13.1框架下实现的MultiPolarNet仅需6.3G FLOPs运算量，单帧推理时间控制在3.9毫秒内，完全满足野外实时监测需求。

结论与意义
该研究开创性地将Mueller矩阵的完整偏振信息解析能力与深度学习的自动化特征提取优势相结合。MultiPolarNet在微球分类任务中实现92.1%召回率、93%精确度和95.2% mAP@0.5的优异性能，且计算效率远超同类SOTA方法。这种技术突破使得在复杂水体环境中区分微塑料、微藻和沉积物成为可能，为建立智能化水质监测网络提供了关键技术支撑。研究团队特别指出，当前模型虽基于标准微球开发，但其架构设计具有良好的可扩展性，未来可通过迁移学习快速适配真实环境样本。这项技术有望在赤潮预警、微塑料污染评估等场景发挥重要作用，推动水生态环境保护从“被动治理”向“智能预防”转型。