通过拉曼光谱验证的图像学习技术可实现微塑料的预筛选以及电子废弃物候选对象的优先级排序

《npj Clean Water》：Raman-validated image learning enables microplastic prescreening and electronic-waste candidate prioritization

　　

摘要

在废水处理中识别微塑料仍面临诸多挑战，因为需要通过微拉曼光谱技术对选中的颗粒进行逐一验证。在此，我们针对处理生活污水以及电子废弃物拆解产生的废水的规模化废水处理厂，开发了一种经过拉曼光谱验证的显微图像学习流程。该数据集包含1136个颗粒的1554张图像，其中654个为经拉曼光谱确认的微塑料，482个为非微塑料。为了实现高准确率的微塑料/非微塑料初步筛选，采用输入分辨率为384×384像素的EfficientNet-B0模型并结合颗粒最大值聚合方法，能够在拉曼光谱验证前保留94.6±3.6%的真正微塑料，减少31.9±8.3%的非微塑料，同时排除16.4±4.9%的疑似颗粒。在经过拉曼光谱确认的微塑料中，基于纹理分析的ResNet18模型会根据聚合物类型、形态以及样本背景等操作源标识特征，优先筛选出与电子废弃物相关的微塑料。在所有候选颗粒中，排名前20%的颗粒中有73.3±12.4%是与电子废弃物相关的，其富集因子为1.322±0.225。这种较为保守的流程虽不能替代拉曼光谱技术，但有助于减轻工作量，并在复杂的废水环境中更高效地筛选出潜在的微塑料来源。