基于深度学习图像分割的微塑料海洋监测技术研究

《One Health Advances》:Advancing marine microplastic monitoring through deep learning-based image segmentation

【字体: 大 中 小 】 时间:2026年06月29日 来源:One Health Advances 5.0

编辑推荐:

  微塑料污染对海洋生态系统和人类健康构成重大威胁,需在"同一健康(One Health)"框架下开展高效标准化监测。本研究开发并评估了一种基于人工智能(AI)驱动的图像分割模型,用于检测突尼斯苏塞海岸采集图像中的微塑料,该区域属高污染敏感区。数据集含1080张塑

  
微塑料污染对海洋生态系统和人类健康构成重大威胁,需在"同一健康(One Health)"框架下开展高效标准化监测。本研究开发并评估了一种基于人工智能(AI)驱动的图像分割模型,用于检测突尼斯苏塞海岸采集图像中的微塑料,该区域属高污染敏感区。数据集含1080张塑料颗粒图像,分为高密度聚乙烯(HDPE)、低密度聚乙烯(LDPE)、聚酰胺(PA)、聚对苯二甲酸乙二醇酯(PET)、聚丙烯(PP)、聚苯乙烯(PS)及含非塑料海滩杂物(如烟蒂、干Posidonia oceanica)的"其他"类。所有碎片经初步鉴定后于受控光照下拍摄以捕捉形态变异性。采用高级多边形分割(polygon segmentation)实现像素级标注,优于传统边界框(bounding box)法,尤其适用于不规则形状颗粒。背景减除(background subtraction)与自适应阈值(adaptive threshold)提升精度并降低假阳性。模型性能采用交并比(Intersection-over-Union, IoU)评估预测分割与人工标注真值(ground truth)的重叠度。此外讨论了所识别微塑料类型在该区域背景下的生态相关性及其对海岸生物多样性与环境健康的潜在影响。研究结果证明AI驱动分割在海洋污染监测中的实用性与挑战,为可扩展、具生态认知的标准化微塑料检测方法提供支持。
论文解读:基于深度学习图像分割推进海洋微塑料监测
《One Health Advances》刊载的该研究指出,微塑料(microplastic)污染已成为全球性的环境与公共卫生问题,可通过食物链及直接接触威胁海洋生物与人类健康。传统鉴定方法如傅里叶变换红外光谱(FTIR)与拉曼光谱(Raman spectroscopy)虽具化学特异性,但耗时费力、需昂贵设备与专业人员,难以支撑大批量环境样本的快速筛查。现有基于卷积神经网络(CNN)的目标检测模型(如YOLO系列、Faster R-CNN)多采用边界框(bounding box),无法精确描绘微塑料不规则边缘,且对透明薄膜或纤维状颗粒敏感性不足。因此,研究人员开展此项研究,旨在比较Segment Anything Model(SAM, 一种视觉基础模型foundation model)与Cellpose(一种基于U-Net的生物学图像分割模型)在微塑料图像实例分割(instance segmentation)任务中的表现,评估像素级多边形分割对不规则形态微塑料的适用性,为标准化、可扩展的海洋微塑料监测提供技术依据。
研究人员采集自突尼斯地中海苏塞(Sousse, Tunisia)海岸的540张高分辨率微塑料及背景样本图像,经水平镜像扩增为1080张,使用Roboflow进行手工多边形标注作为金标准(ground truth)。分别加载预训练SAM(ViT-H骨干,SamAutomaticMaskGenerator)与Cellpose(cyto2预训练核模型,直径参数设为8)对图像进行自动分割,经面积阈值过滤、圆度(circularity)筛选及最大连通域去除背景伪影后,计算每张图预测掩膜(mask)与人工标注掩膜的IoU(Intersection-over-Union, 交并比)进行定量评估,并按聚合物类型分层统计均值与标准差。
Results(结果)
——SAM model results:研究人员将SAM经自适应阈值与面积滤波后的分割掩膜与人工标注比对,单样例IoU达0.7048;可视化显示黄(重叠)、红(漏检)、绿(误检)区域分布,表明SAM能准确捕获大部分标注片段,但对低对比度微小碎片存在漏检,对背景纹理存在少量过分割。
——Cellpose model results:Cellpose生成掩膜与人工标注对比显示其可捕获部分圆形/类细胞结构片段,但对多数颗粒尤其是非圆形微塑料分割能力不足,整体重叠区域少于SAM。
——SAM model per-type performance:按聚合物类型评估SAM的IoU,刚性、边缘清晰的PET(mean IoU=0.75)与HDPE(mean IoU=0.74)表现最佳,>85%样本IoU≥0.5,~75%>0.7;PP中等(mean=0.57);LDPE较低(mean=0.44, std=0.33)受薄膜薄透形态影响;PS(mean=0.41)与PA(mean=0.30)最差,受光泽反射与不规则形态干扰;背景及混合重叠碎片IoU≈0或极低,符合预期。
——Cellpose model per-type performance:Cellpose整体IoU低于SAM,仅HDPE尚可(mean IoU=0.62, median=0.64, 96%样本≥0.5但仅6%>0.7);PS波动大(mean=0.32)系少数高值异常拉升;PET、LDPE、PA均差(mean IoU=0.16–0.20),几乎无样本超IoU≥0.5;混合类别未予评估。
Discussion(讨论与结论翻译)
研究表明SAM在多数场景下优于Cellpose,对PET与HDPE等刚性明确塑料达较高IoU(~0.74–0.75),印证多边形分割框架在紧凑物体显微图像的优势;但对透光、薄膜及异形塑料(LDPE、PS、PA)性能显著下降,单纯基于边缘的分割不足以处理此类形态。Cellpose因其针对细胞核训练的骨干,对环境微塑料泛化能力有限,仅对HDPE略有适用性。两模型在混杂背景及重叠碎片上IoU可忽略,说明无额外上下文线索时AI模型区分塑料与有机质仍存困难。智能手机成像方案具成本优势,但更高光学分辨率与可控照明有望改善透明/微小颗粒检测。从One Health视角,自动化微塑料鉴定有助追踪聚合物类型与分布,支撑环境风险评估与政策制订。局限含区域数据集、样本量偏小、受控光照条件及仅以IoU为单一指标。未来应探索分割与光谱/纹理特征融合、多模态成像(高光谱、偏振光)及SAM与YOLO或光谱联用框架。
Conclusions(结论部分原文浓缩翻译)
本研究通过对突尼斯地中海海岸微塑料高分辨率标注数据集的多边形标注、增强与受控成像,证明AI驱动图像分割可高精度捕获多样微塑料的不规则结构。SAM对PET与HDPE类别表现良好并能减轻标注负担,但原始输出易对背景过分割,且单独应用无法可靠捕获薄透或老化降解塑料,需域适应;Cellpose整体精度偏低,证实核训练模型泛化至环境数据集的困难。基础模型可加速微塑料监测但须谨慎域适配。将高级分割技术纳入One Health框架,为更准确、自动化及具生态认知的海洋污染监测系统奠基,该AI检测框架亦可拓展至淡水、土壤及大气沉降环境。局限含区域数据集、图像数较少、受控光照、仅用IoU指标、背景与混合塑料类别暴露模型弱点、手动多边形标注耗时及仅考察Cellpose与SAM。未来应发展结合光谱或纹理特征的混合框架、扩充野外老化样本、联合YOLO与SAM等多模型并关联生态风险与健康评估。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号