基于卷积神经网络驱动SERS技术的微纳塑料精准检测与识别新策略

针对微纳塑料（MPs/NPs）传统检测方法灵敏度不足、识别效率低的问题，本研究创新性融合表面增强拉曼光谱（SERS）与卷积神经网络（CNN），开发出具有密集"热点"的银纳米枝晶（AgNDs）基底，实现31.25 μg/mL的超低检测限（LOD），并通过CNN模型对14种塑料SERS光谱达到98.93%的分类准确率，为环境污染物监测提供智能化解决方案。

　　

塑料污染已成为全球性环境危机，每年超1亿吨塑料制品流入环境后降解形成的微塑料（MPs，直径<5 mm）和纳米塑料（NPs，直径<1 μm）能通过食物链进入人体，诱发癌症、免疫缺陷等疾病。传统检测技术如傅里叶变换红外光谱（FTIR）和常规拉曼光谱受限于衍射极限（分辨率仅20 μm和1 μm），而色谱-质谱联用技术无法保留颗粒尺寸信息。表面增强拉曼光谱（SERS）虽具备单分子级检测潜力，但面临复杂环境中低浓度塑料识别效率低的挑战。

针对这一难题，中国广西科研团队在《Journal of Environmental Chemical Engineering》发表研究，通过电化学沉积法制备具有分级"热点"结构的银纳米枝晶（AgNDs）基底，结合深度学习算法构建了高精度检测平台。研究采用三电极系统调控沉积参数优化基底形貌，利用罗丹明6G（R6G）验证基底性能后，重点检测了河水环境中470 nm和67 nm的聚苯乙烯纳米颗粒（PS NPs），并通过卷积神经网络（CNN）实现多塑料分类。

关键技术包括：1）电化学沉积制备AgNDs基底；2）扫描电镜（SEM）表征基底形貌；3）SERS检测PS NPs在环境样本中的分布；4）构建CNN模型进行光谱分类。

【SERS基底性能】
通过调控沉积时间获得枝晶状纳米结构，SEM显示30秒沉积的AgNDs具有最优形貌。R6G测试显示检测限低至10^-9 M，相对标准偏差（RSD）<8.73%，证实基底具有超高灵敏度和重现性。

【实际样本检测】
在河水基质中，AgNDs对PS NPs的LOD达31.25 μg/mL（RSD=7.8%），显著优于文献报道的AuNRs/AgNWs基底（0.1 mg/mL）和Ag/Nb₂CTX基底（10^-4 mg/mL）。

【智能识别系统】
CNN模型对14类塑料SERS光谱的分类准确率达98.93%，较传统算法（PCA、SVM、RF）更能捕捉光谱非线性特征。训练后的模型还可生成拉曼成像图，直观展示MPs/NPs的空间分布。

该研究突破性地解决了微纳塑料检测中灵敏度与识别精度的矛盾，AgNDs基底的电磁增强机制（EM, 10⁶-10⁸倍）与化学增强机制（CM）协同作用，配合CNN的自动特征提取能力，为环境污染物监测提供新范式。研究获得国家重点研发计划（2022YFE0134600）和广西自然科学基金（2025GXNSFHA069082）等支持，相关技术有望应用于饮用水安全评估和生态毒理学研究。