基于最大方差卷积神经网络与激光诱导击穿光谱的多模态学习系统在大气聚酰胺微塑料重金属污染原位在线分析中的应用

针对大气中吸附Pb、Cr等重金属的聚酰胺(PA)微塑料快速检测难题，研究团队创新性提出"图像主导-光谱辅助"多模态融合策略，开发最大方差卷积神经网络(MV-CNN)模型，结合激光诱导击穿光谱(LIBS)技术，将分类准确率提升至91.67%，为大气微塑料污染实时监测提供智能解决方案。

　　

随着全球塑料污染加剧，直径小于5毫米的微塑料(MPs)正通过大气环流实现跨洲际迁移。其中聚酰胺(PA)微塑料因纺织品磨损、工业排放等来源，在大气环境中占比最高。这些"隐形杀手"不仅能吸附铅(Pb)、铬(Cr)等重金属，还会携带全氟烷基化合物(PFAS)等添加剂，通过呼吸系统进入人体后引发协同毒性效应。传统检测方法如傅里叶变换红外光谱(FTIR)、显微拉曼光谱等需复杂前处理，扫描电镜(SEM)需真空环境，热解气相色谱-质谱(Pyr-GC/MS)具有破坏性，均难以满足大气环境实时监测需求。

针对这一技术瓶颈，中国国家自然科学基金(项目号62375136)支持的研究团队创新性地将人工智能与光谱分析技术相结合。研究人员开发的最大方差卷积神经网络(MV-CNN)模型，通过空间方差最大化预处理模块和主成分分析(PCA)降维策略，在仅400组训练样本条件下实现91.67%的分类准确率，较传统CNN提升16.67%。更突破性的是，团队首创"图像主导-光谱辅助"多模态融合方法，将数字显微镜图像与激光诱导击穿光谱(LIBS)数据融合，使200-1000 ppm浓度范围的定量分析准确率从单模态的<65%提升至82.50%-84.17%。相关成果发表在《Spectrochimica Acta Part B: Atomic Spectroscopy》上。

关键技术方法包括：采用3840×2160像素高清数字显微镜采集微塑料形态特征；搭建1064 nm Nd:YAG激光器(单脉冲200 mJ)的LIBS系统获取元素指纹；构建MV-CNN模型实现特征优先提取；开发PCA-LIBS光谱降维算法处理高维数据。

【实验设置】
研究采用平行光路4K数字显微镜(分辨率3840×2160)与LIBS联用系统，后者配备1064 nm波长、10 Hz频率的Q开关Nd:YAG激光器，可发射10 ns脉宽、200 mJ能量的单脉冲。

【MV-CNN与传统CNN对比】
对单个微塑料颗粒(10×10×3像素区域)的分析表明，MV-CNN通过最大方差卷积核优先提取判别性特征，有效解决高维数据冗余问题。在Pb、Cr及Pb+Cr复合污染分类中，准确率达91.67%，显著优于传统CNN(75%)。

【结论】
该研究建立的"图像-光谱"双模态系统突破大气PA微塑料原位检测技术瓶颈，MV-CNN模型在少样本条件下展现优异性能，LIBS融合策略实现从定性到定量的跨越，为开发便携式实时监测设备奠定基础。

这项研究的创新价值在于：首次将空间方差最大化机制引入微塑料图像处理；创建首个PA微塑料LIBS特征数据库；提出的多模态框架可扩展至其他复合污染物检测。正如通讯作者Yuzhu Liu强调的，该技术有望集成到物联网终端，实现大气微塑料污染的网格化智能监控，为《新污染物治理行动方案》提供关键技术支撑。