《Journal of Environmental Chemical Engineering》：Facile detection and characterization of micrometer-sized plastic particles using microscopic short-wave infrared hyperspectral imaging with machine learning
编辑推荐：
•开发了一种将短波红外高光谱显微镜与机器学习相结合的平台，用于快速识别微塑料。•准确识别小至30 μm的颗粒聚合物类型，准确率达99%•在单幅图像中同时识别多个颗粒，大幅提高了分析效率。•使用环境流水样本，与拉曼光谱法达到97%的一致率。•提供了一种快速且可扩展的平台，用于大
- •
开发了一种将短波红外高光谱显微镜与机器学习相结合的平台，用于快速识别微塑料。
- •
准确识别小至30 μm的颗粒聚合物类型，准确率达99%
- •
在单幅图像中同时识别多个颗粒，大幅提高了分析效率。
- •
使用环境流水样本，与拉曼光谱法达到97%的一致率。
- •
提供了一种快速且可扩展的平台，用于大规模环境微塑料监测。
引言
塑料因其多功能性、耐久性和低廉的生产成本，已成为现代社会不可或缺的材料。2024年全球塑料产量达到约4.309亿吨[1]，塑料使用量的持续增长导致环境中的塑料废弃物不断累积。塑料碎片一旦释放到环境中，会经历物理和化学碎裂，产生微塑料（MPs），通常定义为粒径小于5 mm的塑料颗粒[2]，[3]。微塑料现已在淡水、海洋、陆地和大气系统中被广泛报道，引发了对其生态影响和潜在人体健康效应的担忧[4]，[5]，[6]。
在微塑料中，微米级塑料颗粒（MPPs）尤其值得关注，因为其较小的尺寸使其有可能被海洋和陆地生物摄取，而由于缺乏适当的分析方法，其在环境中的归趋和迁移变得难以追踪[7]，[8]。特别是，其较高的比表面积可能增强与环境污染物（包括重金属和持久性有机污染物）的相互作用[8]，[9]，而其微小的尺寸则有利于运输和生物可及性[9]，[10]。这些颗粒的行为还受聚合物化学性质、颗粒形态、老化、团聚以及周围环境条件的影响[11]，[12]。最近的研究表明，在某些实验条件下，较小的颗粒可能表现出更高的生物可及性并更容易跨越生物屏障，尽管其对人体摄取和不利健康影响的含义仍不确定[13]，[14]，[15]。要理解MPPs的赋存和归趋，开发能够检测和鉴定MPPs的分析方法至关重要。然而，这些微小颗粒在环境研究中仍代表性不足，因为现有方法需要高昂的成本和漫长的分析时间。
目前，傅里叶变换红外（FT-IR）光谱和拉曼显微镜被广泛用于聚合物鉴定，因为它们能提供具有化学特异性和高分析准确度的信息[16]。FT-IR成像能够在较大的样本区域上进行无标记化学映射，而拉曼显微镜则能提供单个颗粒分析所需的空间分辨率。然而，当环境样本中含有数千个MPPs时，这两种技术都需要数小时到数天的分析时间，特别是在颗粒选择、光谱采集和数据处理需要大量操作员参与时[16]，[17]。热分析技术，包括热解-气相色谱/质谱联用（Py-GC/MS），能提供关于聚合物组成的敏感信息，但以整体方式分析样本，导致颗粒特异性信息（如尺寸、形态、丰度和空间分布）的丢失[18]。因此，简便且准确的新型分析方法对于环境和MPPs的鉴定与表征至关重要。
高光谱成像（HSI）通过将光谱与空间成像相结合，为解决这一分析需求提供了一条潜在途径。在每个像素处记录反射光谱以生成三维数据立方体（x, y, λ），从而使化学信息能够直接与颗粒的位置和形态相关联[19]。这种同时采集与传统的点式测量不同，后者通常分别分析单个颗粒或位置。结合图像分割和机器学习算法，HSI可以利用空间和光谱信息进行自动颗粒检测和聚合物分类[16]，[19]。因此，NIR/SWIR-HSI已成功应用于对来自海水、淡水、地下水、土壤、生物体等中的多达12种塑料进行分类（表S1）[22]，[23]，[24]，[25]，[26]，[27]，[28]，[29]。
尽管具有这些优势，传统宏观尺度HSI应用于MPPs受限于其空间分辨率。随着颗粒尺寸减小，每个颗粒对应的像素数量减少，且周围基材的信号越来越贡献于边界像素，从而降低了光谱纯度[16]，[20]。这种效应进一步加剧了具有相似SWIR光谱特征的聚合物（特别是聚乙烯（PE）和聚丙烯（PP））的区分难度[21]。Serranti等人[30]也证明空间分辨率、光谱范围和分类方法对微塑料的颗粒尺寸非常敏感。最近在多尺度目标检测[31]、复杂成像条件下的稳健定位[32]以及基于深度学习的显微图像处理[33]方面的进展，可以为100 μm以下的小微塑料分类提供互补方法。
本研究通过将SWIR-HSI与光学显微镜相结合，并在多个MPPs尺寸组分中分别评估颗粒定位和聚合物分类，来解决这一空白。采用基于感兴趣区域（ROI）的模型来定位单个颗粒，随后提取其高光谱信息并进行基于机器学习的分类。本研究的具体目标为：(i) 开发用于显微SWIR-HSI图像的自动化颗粒定位模型；(ii) 利用像素级高光谱数据建立聚合物分类模型；(iii) 使用复合样本和河水样本对框架进行验证。
章节摘录
参考塑料材料
从韩国裕汉普拉泰克公司购买了四种参考塑料：聚酰胺（PA）、聚乙烯（PE）、聚对苯二甲酸乙二醇酯（PET）和聚丙烯（PP），这些是水生环境中检测频率最高的聚合物类型之一[34]。原始聚合物在液氮中冷冻后进行冷冻研磨（Retsch，德国），以产生不规则形状的塑料碎片，同时最大限度减少热降解。然后，对颗粒进行手动分选。
参考塑料的高光谱特征
对四种参考聚合物类型的红外高光谱反射光谱进行了系统分析，结果如图3所示。PA在1185 nm – 1210 nm、1390 nm – 1420 nm和1520 nm – 1560 nm处表现出明显的光谱特征，与此前报道的C-H和酰胺相关光谱特征一致[40]，[41]。PE在1195 nm – 1225 nm和1385 nm – 1420 nm处显示出两个突出的反射特征，归因于C-H的第二泛频和组合带。
结论
本研究开发了一种集成显微SWIR-HSI、基于ROI的颗粒检测和机器学习分类的自动化分析框架，用于MPPs的快速检测和鉴定。基于ROI的模型实现了小至10 μm的单个颗粒自动定位，而随后的机器学习分析表明，GBM模型能够对PA、PE、PET和PP进行稳健的聚合物区分。针对拉曼光谱的颗粒级验证。
CRediT作者贡献声明
Seoktae Kang：撰写——审阅与编辑，撰写——初稿，验证，监督，资源，经费获取，数据整理，概念构思。Wanida Kanarkard：撰写——审阅与编辑，监督，软件，方法论，形式分析，数据整理。Sutha Khaodhiar：监督，资源，方法论，调查研究。Hyojeon Kim：方法论，数据整理。Sion Kim：撰写——初稿，验证，软件，方法论，形式分析，数据整理。
利益冲突声明
作者声明，他们没有已知的可能影响本论文所述工作的竞争性经济利益或个人关系。
致谢
本研究由韩国产业技术规划评价院（KEIT）通过贸易、产业和能源部（MOTIE）资助的材料与零部件技术开发项目（项目编号：RS-2025-02315915）以及韩国水公司开放创新研发计划（第二阶段，第一轮）（项目编号：OTSK2025006）支持。
利益冲突声明
作者声明，他们没有已知的可能影响本工作的竞争性经济利益或个人关系。
Sion Kim|Wanida Kanarkard|Sutha Khaodhiar|Hyojeon Kim|Seoktae Kang
