MAAI-YOLOv11s：基于改进YOLOv11s模型的微流控芯片中微塑料和纳米塑料颗粒分类与检测方法

《Journal of Water Process Engineering》：MAAI -YOLOv11s: A novel microplastic and nanoplastic particle classification and detection method in microfluidic chip with an improved YOLOv11s model

　　

- 开发了一种新颖的MAAI-YOLOv11s检测框架，用于微塑料和纳米塑料的检测。
- 微流控芯片作为数据集采集和颗粒分类的平台。
- 验证了复杂背景、小目标和颗粒聚集等场景。
- 对粒径从800 nm到7.5 μm的PS/PE/PLA/PMMA/SiO?等目标进行了分类。
- 定量评估表明mAP@0.5高达98.0%。

**引言**

微塑料是指直径小于5 mm的塑料颗粒[1]，其中粒径在1 nm到1 μm之间的被归类为纳米塑料，1 μm到1 mm之间的被归类为微塑料[2]。常见类型包括聚乙烯（PE）、聚苯乙烯（PS）、聚丙烯（PP）、聚乳酸（PLA）、聚氯乙烯（PVC）和聚甲基丙烯酸甲酯（PMMA）[3]。微塑料的来源分为一次性和二次性两类[4]：一次性微塑料是直接制造的微米级颗粒，广泛存在于药品、个人护理用品、工业过程和3D打印残余物中[5]；二次性微塑料是较大的塑料制品在阳光、氧化、机械磨损等作用下逐渐破碎而形成的[6]，[7]。微塑料难以降解、粒径小、可穿透生理屏障并蓄积有害物质，它们广泛存在于海洋、湖泊、土壤甚至极地地区[8]，[9]，[10]，并在生物体内部循环，可能引起氧化损伤和免疫应激[11]，[12]，[13]。通常，人体每周大约可能摄入5 g微塑料颗粒[14]。2021年，全球塑料材料产量约为3.91亿吨[15]，回收率仅为7.6%，导致大量塑料碎片最终进入自然生态系统[16]，[17]。预计到2030年，年排放量将达到5300万吨，微塑料污染将日益严重[18]。要有效应对这一挑战，必须改善相关基础设施，从源头减少塑料排放，促进塑料回收，并积极发展绿色废物处理技术。同时，开发快速、准确、低成本的微塑料检测和定量方法，对于评估生态和健康风险以及制定控制措施至关重要[19]，[20]。

鉴于微塑料在复杂基质中表现出多样化的尺寸、形状和成分，单一的分析方法往往难以实现全面鉴定[21]，[22]。当前的检测过程通常包括使用显微镜进行物理表征，然后通过光谱技术进行化学分析和定量鉴定，整体方法分为两大类：物理方法和化学方法[23]。物理方法主要包括传统光学显微镜、荧光显微镜以及更先进的扫描电子显微镜（SEM）等技术。传统光学显微镜成本低且易于获取，但分辨率有限，难以识别直径小于100 μm的微塑料[24]。SEM具有纳米级分辨率，可观察到小至1 nm的颗粒结构，但缺乏颜色和化学成分信息，且成本高、操作复杂。荧光显微镜和共聚焦激光扫描显微镜可用于观察染色后的微塑料，但需要特定的激光波长，成本较高[25]。在化学检测方面，傅里叶变换红外光谱（FTIR）基于特征振动光谱识别聚合物类型，但空间分辨率有限，难以检测小于10 μm的微塑料[26]，[27]。拉曼光谱具有更高的空间分辨率，能够检测小于1 μm的微塑料，但易受荧光背景干扰，信噪比低，对仪器和操作者要求较高[28]，[29]。裂解-GC或MS等分析方法需要分解样品，无法获得形态特征，且操作流程通常复杂且耗时。多技术集成，如结合FTIR、拉曼、SEM和X射线光谱，可以提高鉴定精度，但面临设备成本高、操作耗时、效率低和污染风险等挑战[30]。传统分析方法难以同时保证高效率、低成本和测量精度。因此，迫切需要创新且统一的技术，能够在环境基质中准确检测和定量微塑料[31]。

为了克服传统微塑料检测技术的缺点，将人工智能融入分析过程已引起越来越多的学者关注[32]，[33]。机器学习已成为从复杂高维系统中提取可操作信息的不可或缺的方法，在计算金融、材料科学和计算机视觉等领域得到了验证[34]，[35]，[36]。在这一背景下，神经网络、高斯过程回归（GPR）、基于图的方法和集成方法被广泛应用于从能源价格预测、聚合物性能预测到股票指数预测等各个领域，以捕捉非线性关系[37]，[38]，[39]。然而，尽管这些方法已证明有效，但在扩展到高分辨率显微图像分析时，它们表现出明显的局限性。GPR虽然在不确定性量化和小样本回归方面表现优异，但本质上不适合高维特征提取和空间定位[40]；传统神经网络，特别是多阶段检测流水线，在实时设置中推理吞吐量常常不足[41]；基于图或集成的方法通常依赖人工特征工程，无法在视觉识别任务中实现端到端学习[42]，[43]。深度学习尤其成为一种强大的范式，用于自动化微塑料的识别、分类和定量，以空前的速度和精度从图像和光谱中提取判别性特征[44]，[45]。例如，SSD-ResNet和LinkNet等分割架构已实现超过96%的颗粒识别率，同时进行精确的尺寸定量[46]。与此同时，深度学习已与光谱技术和新兴成像模式（包括微高光谱成像和光声成像）相结合，在聚合物类型鉴别和亚10 μm颗粒检测方面均取得了超过99%的分类准确率[47]，[48]，[49]，[50]。Han等人利用基于Mask R-CNN的模型，在白色背景下检测、分类和分割不同的海洋微塑料（10–20 mm），准确率达到93%[51]。Zhu等人利用超过8000个FPA微-FT-IR光谱构建了CNN架构，用于分类11种常见塑料类型[52]。Zahir等人开发了一种基于深度学习模型的快速微塑料检测系统，利用TinyScope获取的图像实现了低成本、快速的微塑料检测[53]。传统检测方法，包括显微镜检查和手动计数，劳动密集型且不适合高通量筛选。光谱模式如FTIR和拉曼光谱虽然具有化学特异性，但受限于复杂的样品制备、荧光干扰和有限的便携性[54]。相比之下，微流控平台具有样品消耗低、集成度高和分析快速的优势[55]。同时，机器学习的发展使得自动特征提取和分类成为可能，大大提高了图像和光谱数据处理的效率和精度[56]。Su等人证明，无透镜暗场显微镜结合深度学习可以实现芯片上的快速成像和微塑料纤维的自动计数[57]。Jeon等人表明，液滴微流控与YOLO模型结合可以实现实时定量和尺寸分类[58]。Butement等人将阻抗流式细胞术与机器学习相结合，直接从海水中区分小尺寸微塑料和浮游植物[58]。然而，微塑料颗粒的检测精度，尤其是纳米塑料目标，仍面临挑战，仍需改进以提升推理速度和模型鲁棒性。

当前微塑料检测问题与传统的标量回归或样本级分类存在根本差异。一张高分辨率显微图像可能同时包含多种不同材料类别、尺寸、位置的颗粒，粘连程度不同，且局部背景条件各异。因此，模型必须提取判别性特征，区分多种颗粒类别，定位每个目标，并在同一张图像中回归其边界框。此外，微米级和亚微米级颗粒通常只占图像很小比例；它们的特征以边缘对比度和微弱纹理为主，而粘连、重叠、碎片、光照不均匀和噪声进一步增加了提取难度。这些特点使得端到端目标检测比表格回归或整样本分类模型更为合适。在检测框架中，YOLO系列通过单阶段网络统一了定位和分类，适合精度和效率同样重要的连续显微分析。Fahad等人通过结构化剪枝、量化感知训练、训练后量化、预处理、数据增强和降噪优化了YOLOv8x，表明压缩可以在保留检测能力的同时减少计算量[59]。增加模型深度或宽度可以提高表征能力，但盲目扩展不利于连续图像分析和嵌入式部署。因此，本研究采用YOLOv11s作为轻量级基线，并在特征提取和空间上下文聚合方面进行改进。YOLOv11s保留了多尺度融合和多分辨率头，结构紧凑。其C3k2特征提取单元促进残差信息传播，C2PSA提供空间特征增强，Neck和检测Head保留了不同特征分辨率的信息。然而，当弱小目标响应衰减、颗粒紧密聚集或背景产生类似目标的响应时，基线模型存在局限。因此，本研究开发了MAN-SAN用于多分支空间增强，SPPF-ATTN用于多尺度上下文建模，Inner-SIoU用于边界框回归优化。带有注意力机制的YOLO变体，如带有曼哈顿自注意力的YOLOv10-MsA，在保留效率的同时增强了空中检查中的空间特征敏感性[60]。尽管应用场景不同，其原理直接相关，即当目标占据有限区域且背景产生竞争性响应时，显式的空间关系建模可以提高判别能力。SPPF-ATTN遵循这一以效率为导向的原则用于多尺度显微颗粒；将LSKA集成到SPPF路径中可以扩大空间感知范围，并将池化响应重新分配到目标区域。尽管取得了这些进展，但在异质显微背景下，对亚微米颗粒、密集分布目标、局部粘连颗粒和弱特征目标的稳定检测仍具有挑战性。

在本工作中，介绍了一种基于YOLOv11s网络模型改进的微塑料和纳米塑料颗粒检测方法，旨在实现对多种塑料的高精度识别和分类。设计了MAN-SAN模块，用于提取和融合多尺度、多类型物体特征，增强了在复杂场景和多尺度目标下的鲁棒性和泛化性能。此外，SPPF-ATTEN模块替换了YOLOv11s骨干网络中的原始SPPF模块，并引入了Inner-SIoU损失函数，最终构建了MAAI-YOLOv11s模型。基于该模型，实现了对四种常用微塑料（PS、PE、PMMA、PLA）以及二氧化硅数据集的检测。与常规目标检测网络相比，MAAI-YOLOv11s模型在微小目标识别、相似颗粒区分、复杂背景处理和聚集簇检测方面表现出显著提升。因此，改进后的YOLOv11s模型为海洋环境中微塑料和纳米塑料颗粒的精确和鲁棒检测提供了有效工具。

**章节摘要**

**数据集与预处理**

对于微塑料和纳米塑料颗粒检测实验，样本数据集的构建是后续开发微塑料颗粒识别模型的基础。该过程主要包括三个关键阶段：微塑料颗粒检测样品的制备、显微图像的标准采集和原始图像的预处理，如图1所示。微流控芯片由粘合在盖玻片上的PDMS微通道层组成……

**评估指标**

为了全面评估模型在目标检测中的性能，本工作采用了几个广泛使用的定量指标，即精确率、召回率、F1分数、平均精度（AP）和平均精度均值（mAP）。在IoU阈值为0.5、0.75和0.5:0.95的条件下进一步计算mAP值，以捕获不同重叠标准下的性能。这些指标共同表征了模型的检测精度、召回效率和定位质量。公式为……

**结论**

本文提出了一种基于深度学习的高精度微塑料颗粒识别和检测方法，并构建了新型MAAI-YOLOv11s模型。该模型在特征表示、多尺度信息建模和精确目标定位方面表现出明显优势。它有效克服了背景干扰、小目标检测、颗粒聚集和视觉相似颗粒区分等主要挑战。本研究涵盖了五个类别……

**CRediT作者贡献声明**

Kai Zhao：写作——审阅与编辑，写作——初稿撰写，监督，资源，项目管理，方法学，调查研究，经费获取，形式分析，概念化。Junzhu Yao：验证，软件，方法学，调查研究，形式分析，数据整理，概念化。Ang Li：软件，调查研究，形式分析。Xuyang Wang：软件，方法学，经费获取。Jingbo Li：软件，调查研究，形式分析。

Yiyang Huo：软件声明

利益冲突声明：作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。

致谢：本研究得到了国家自然科学基金（批准号：52301412）、中央高校基本科研业务费（批准号：3132026226）、大连市高层次人才创新支持计划（批准号：2019RJ08）、大连市重点领域创新团队（批准号：2021RT05）、辽宁省"揭榜挂帅"项目（批准号：85210038）的支持。

Kai Zhao | Junzhu Yao | Ang Li | Xuyang Wang | Jingbo Li | Yiyang Huo | Jie Chen | Junsheng Wang