近日，中国科学院合肥物质院安光所高晓明研究员团队在实现基于改进残差神经网络在劣质拉曼光谱检测识别微塑料方面取得新进展，相关研究成果以《基于改进神经网络结合劣质拉曼光谱的微塑料分类识别》为题发表在国际知名期刊Talanta上（SCI一区, IF=5.6）。
微塑料，指直径小于5毫米的塑料颗粒，是一种造成污染的主要载体。2022年科学家首次在人体血液中检测到了微塑料污染，在之后的研究中，研究者们不仅在偏远的岛屿、极地的雪、马里亚纳海沟、食物、水甚至空气等每个地方都发现了微塑料的身影，还发现它们遍布肾脏、肝脏、胎盘甚至大脑等人体器官。环境中的微塑料很可能带有涂层，其中可能含有上万种化学物质，使这些微粒具备不同的柔韧性、防火性或者可降解性。不同形状的微塑料也可能造成不同后果。
微塑料对环境和生物构成严重危害，所以快速准确对不同类型的微塑料进行分类识别对环境中微塑料污染的追溯和针对性治理有重要意义。拉曼光谱技术具有无损检测、非入侵性、样品要求量低、空间分辨率高、光谱范围宽等特点，适用于微塑料检测识别。机器学习算法可以快速处理和分析大量光谱数据，能够从复杂的拉曼光谱数据中快速提取特征进行有效分类，然而运用拉曼光谱处理和分析复杂环境或干扰情况下的微塑料仍然具有挑战。
中国科学院安光所团队成员王贵师研究员、陈家金副研究员和黄威翔硕士研究生等人，提出了一种改进的残差网络模型，可对激光功率不足和光谱采集时间较短的非理想实验条件下测得的微塑料不同质量拉曼光谱进行分类识别。相比传统的卷积神经网络，引入挤压-激发（SE）模块的改进的残差网络能够以不显著增加参数量和计算量情况下，在噪声干扰大、信噪比低的低质量微塑料拉曼光谱分类中达到更高的准确率，并且通过Grad-CAM可视化反映了机器学习进行光谱分类的依据。这项工作表明了机器学习在更多复杂环境和干扰下，分析处理低质量拉曼光谱的能力。
基于改进残差网络的微塑料拉曼光谱分类的示意图
改进残差网络结构
改进残差网络对比卷积神经网络性能
本研究工作得到中国科学院合肥物质院院长基金创新项目、国家自然科学基金项目的资助。
论文链接：
https://doi.org/10.1016/j.talanta.2025.127756
