《Marine Pollution Bulletin》：A comparative analysis of 2D, visible light imaging technologies for describing the physical properties of micro- and mesoplastics (0.5 to 50 mm)
编辑推荐：
本研究评估了三种可见光成像方法：ImageJ、Saturna成像系统（Ocean Diagnostics）以及分割模型（The Ocean Cleanup），用于表征从北太平洋垃圾带采集的微塑料和中塑料（0.5–50毫米）的二维特性。研究人员将其性能与传统人工
本研究评估了三种可见光成像方法：ImageJ、Saturna成像系统（Ocean Diagnostics）以及分割模型（The Ocean Cleanup），用于表征从北太平洋垃圾带采集的微塑料和中塑料（0.5–50毫米）的二维特性。研究人员将其性能与传统人工计数在准确性、效率和成本方面进行了比较。人工分析在颗粒计数和类型分类方面仍然最为准确，但劳动强度高，处理时间需要成像系统的两倍，且仅提供粗略的尺寸分类信息。相比之下，二维成像技术提供快速、用户友好且适应性强的流程，可生成颗粒尺寸、形状和颜色的详细测量结果。这些系统减少了人为错误并提供了统一化的输出。整合二维成像技术可以支持未来的研究项目，减少实验室中的密集工作，并提供关于塑料颗粒实际尺寸和形状分布的详细属性信息。
在环境塑料污染研究中，方法缺乏统一性是一个关键问题，导致不同研究结果难以比较。传统的微塑料（microplastics, 0.5–50毫米）和中塑料（mesoplastics, 0.5–50毫米）量化方法依赖人工计数，通过筛塔或尺子测量获取尺寸分类，并提供基于形状、来源和聚合物的粗略类型分类（如碎片、纤维、薄膜、颗粒、泡沫）。这种方法耗时耗力，且受专家判断影响，无法生成连续性的尺寸和形状数据。随着2D（二维）成像技术的发展，研究者开始探索快速、自动化的表征工具，如ImageJ（开源图像处理软件）、Saturna成像系统（商业系统，Ocean Diagnostics）和分割模型（The Ocean Cleanup），但这些方法在微-中塑料尺度上的性能比较尚缺乏系统评估。为此，研究人员开展了本研究，旨在比较三种可见光成像方法与人工计数在准确性、效率和数据输出方面的差异，以评估它们是否适用于连续监测并生成可靠数据集。论文发表在《Marine Pollution Bulletin》。
### 关键技术与方法
研究人员使用了三种2D可见光成像技术：ImageJ（一种基于Java的图像处理软件，用于颗粒检测）、Saturna成像系统（配备8MP CMOS传感器和机器学习算法的商业成像系统，提供13个参数和颜色指标）、以及分割模型（一种开放获取的计算机视觉框架，通过图像分割和颗粒表征分析塑料属性，使用手机拍摄的蓝背景图片）。所有方法应用于2023年从北太平洋垃圾带（North Pacific Garbage Patch）通过海面拖网（manta拖网，500微米网孔）采集的17个环境样本。人工计数作为参考基准，由同一位研究人员完成。研究通过图像对比和统计检验（Shapiro-Wilk检验、Kruskal-Wallis检验、Dunn事后检验）分析颗粒计数、费雷特直径（Feret diameter）、面积（area）、纵横比（aspect ratio）等二维特性。
### 研究结果
#### 3.1 试点研究（Pilot study）
通过测试24个塑料颗粒（不同颜色），研究人员发现所有成像技术均能检测到所有颗粒，但ImageJ在白色和蓝色背景下均存在过计数（白色背景n=38，蓝色背景n=25），且三种技术在费雷特直径、面积和纵横比上输出不一致。选择蓝色背景（来自分割模型工作流）用于后续分析以减少处理时间和过计数。
#### 3.2 颗粒数量比较分析（Comparative analysis of particle numbers）
人工计数识别出10,741个颗粒（0.5–50毫米），Saturna检测到10,478个（90.2%），分割模型检测到10,507个（87.3%），ImageJ检测到9,752个（81.4%）。在处理时间上，人工计数平均需119分钟，Saturna约61分钟，分割模型约65分钟（含拍照），ImageJ需额外27分钟（基于分割模型图片）。按塑料类型分析：碎片（fragments）的计数差异最小（分割模型88%，Saturna 85%，ImageJ 82%）；线状塑料（lines）差异最大（分割模型81%，Saturna过估127%，ImageJ低估71%）；颗粒（pellets）均被过估。按尺寸分类，所有成像技术在最小尺寸类（0.5–1.5毫米）存在低估，在最大尺寸类（15–50毫米）存在高估或误分类。
#### 3.3 颗粒属性比较分析（Comparative analysis of particle properties）
研究人员比较了最大费雷特直径、面积和纵横比的密度分布。对于碎片，三种方法的费雷特直径中位数接近（ImageJ 2.7毫米，Saturna 2.6毫米，分割模型3.1毫米），但Kruskal-Wallis检验显示显著差异（p<0.01），事后检验表明分割模型与其他两种方法差异显著。对于线状塑料，差异更大（中位数：ImageJ 7.5毫米，Saturna 4.8毫米，分割模型9.6毫米），所有方法间差异均显著（p<0.001）。对于颗粒，ImageJ和Saturna的中位数接近（4.3毫米和4.1毫米），分割模型较高（5.5毫米）。面积分析显示分割模型与ImageJ和Saturna有显著差异（p<0.001），而ImageJ与Saturna无显著差异。纵横比方面，碎片集中在0.5–0.8，线状塑料在0.15–0.5（分割模型中位数0.5），颗粒在0.75–0.95（呈球形）。
### 总结讨论与结论
讨论部分指出，人工计数虽为参考标准，但存在不可避免的人为误差（如样本处理过程中的颗粒损失）且无法提供塑料的连续物理特性。2D成像技术能快速描述颗粒尺寸、形状和颜色，并提供统一化数据，但准确性受颗粒大小、形状和背景颜色影响：小颗粒因像素不足被低估，大颗粒因不规则形状或阴影被分割导致高估；线状塑料因缠绕、编织结构或阴影干扰表现最差（差异达63%）。三种方法各有局限性：Saturna的黑色背景干扰蓝色对象，分割模型依赖于包围盒计算的纵横比有时不准确，ImageJ的阈值调整在单一蓝色背景下处理暗色或弯曲线条困难。未来改进方向包括优化背景颜色、引入机器学习进行自动分类、以及针对线状塑料开发专门工作流。2D成像技术能促进标准化数据集生成，提升研究间的可比性，并支持碎片动力学模拟和风险评估。研究结论翻译如下：
“二维成像技术的进步能够更快地处理微-中塑料样本。这些方法不仅提供塑料浓度的宝贵信息，还提高了对微-中塑料特性的理解，通过统一化数据集促进连续监测和比较研究。与人工识别相比，本研究显示二维成像节省时间，并提供人工识别无法收集的多种数据输出。然而，所有二维成像技术仍需进一步优化和测试，因为它们在准确计数和描述复杂颗粒方面均面临困难。可见光二维成像技术在碎片处理上表现较好，但在识别和区分线状塑料方面存在限制。因此，这些技术既存在改进空间也有改进需求。未来整合机器学习等新技术可能代表这一领域的重大进展。机器学习可以贡献于二维图像的后处理，通过自动化图像分析辅助识别不同塑料类型和物理特性。这可以减少人工劳动并显著缩短处理时间。此外，这些模型有助于确定尺寸、形状和其他形态参数，而这些参数可能难以用现有二维成像系统量化。塑料特性和尺寸参数化的统一方法对于可靠评估不同环境中的塑料至关重要——这是二维成像展现巨大潜力的领域。这些技术的持续验证和优化将推动我们对环境塑料污染的理解，并实现更快的样本处理，从而支持针对这一迅速加剧的环境问题做出更及时和明智的决策。”
