用户文章 | PNAS | 面阵列红外成像技术结合自适应深度学习AI，轻松破解微塑料识别的“双难”困局

• 复杂样品处理能力：‌ 该技术既能分析沉积在‌洁净滤膜‌上的人造微塑料样品，也能挑战更具现实意义的、包含大量外源背景物质（如河床沉积物分离后的残留物）的 ‌“高背景”样本‌。这充分证明了布鲁克面阵列红外成像系统在复杂基质中获取微塑料高质量可靠光谱信号的能力。

• ‌构建高质量数据集：‌ 通过设计多腔室滤膜夹，研究人员可在一块滤膜的不同区域同时分析多达12种不同的微塑料样品，‌避免了交叉污染并极大提升了样品处理通量‌，让大规模样品的标准化检测成为可能。配合自动化处理与物像分割技术（如Voronoi剖分），最终从45种来源的微塑料中收集了‌超过25万条红外光谱‌，为深度学习模型提供了优质且规模巨大的训练和验证集。

    正是得益于布鲁克面阵列红外成像技术在‌高效、高质量、高通量数据采集‌方面的突出优势，后续基于相似性学习的深度学习模型才能展现出惊艳的性能。

 本次研究的最大亮点，并非简单的“AI识别”，而是针对微塑料分析的特殊挑战，创新性地将相似度学习与一维卷积神经网络结合，并依托布鲁克的面阵列红外成像系统，实现了多方面的突破：

亮点一：卓越的“适应性”

• ‌真实样品的高背景挑战：‌ 真实的微塑料样品常被有机残留物、粘土等环境背景信号严重干扰，导致传统光谱分析方法的准确度大幅下降。

• ‌AI解决方案：‌ 深度卷积神经网络（CNN）仅使用“‌洁净滤膜‌”上获取的微塑料光谱进行“‌相似性学习‌”训练。在训练过程中，模型学习到如何生成能使同类微塑料光谱聚集、不同类微塑料光谱分离的“‌特征嵌入向量（Embedding）‌”。

图2  红外光谱嵌入式相似性学习模型生成过程和微塑料聚类分离效果

• 惊人的实战表现：‌ 当这个仅在“理想状态”下训练过的模型，面对从未学习过的、充满复杂背景的“高背景”样品光谱时，‌分类准确率依然高达0.9 F1分数（LDA算法），远超传统机器学习和常规深度学习算法‌。这证明了布鲁克LUMOS II 面阵列红外显微镜提供的高质量光谱，结合相似性学习模型，具备强大的‌抗干扰能力和自适应能力‌，无需针对每种污染场景重新训练。

图3  开放集识别对未知塑料和非塑料的分离效果

亮点二：开放的“未知物识别”能力

• ‌现实痛点：‌ 传统分类模型只能从它“认识”（训练过）的塑料类别里挑选答案。遇到新型塑料或非塑料颗粒（如棉纤维、昆虫碎片等），往往会强制给出错误分类，导致误判。但微塑料种类繁多，实验室数据库往往无法覆盖所有类型。

• AI的创新解法：‌ 相似性学习形成的‌嵌入空间具有清晰的集群结构‌。通过设定一个简单的距离或概率阈值，模型可以‌可靠地识别并标记出那些远离所有已知类别集群的数据点‌，将其归为“未知”或“其他”类别，解决了传统分类模型易误判的行业痛点，从而实现了‌开放集识别‌。
  

• ‌打破识别边界：‌ 这意味着实验室的分析能力不再是固定的列表。模型能够‌主动报告环境样品中可能存在的、超出预期的新塑料或污染‌，为进一步的研究提供了关键线索。

亮点三：灵活高效的光谱库扩展与“少样本学习”潜力‌

• 克服数据壁垒：‌ 收集涵盖所有潜在塑料种类的光谱库是昂贵且几乎不可能完成的任务。

• ‌AI的独特路径：‌ 相似性学习模型只需学习如何“分辨光谱”，而不是“死记硬背”所有类别。增加一个新塑料类别，‌仅需少量（甚至几个）其参考光谱放入嵌入空间作为“锚点”‌，下游分类器便能有效识别。‌无需对整个复杂的深度学习模型进行重新训练‌。

• ‌节约成本，适应未来：‌ 这不仅大大降低了数据采集的成本与时间，也为微塑料分析数据库随着时间迭代与扩展提供了一条极其灵活和经济的路径。

原文链接：

 https://www.pnas.org/doi/epdf/10.1073/pnas.2509745122   

布鲁克发布了最新一代的面阵列激光红外显微镜LUMOS II ILIM，成像速度获得巨大提升，单次扫描可采集近25万张红外光谱、空间分辨率低于5微米，并且检测器无需液氮制冷，将微塑料分析的通量提升到了新的高度。 

布鲁克公司的应用中心有面阵列激光红外显微镜LUMOS II ILIM新机和面阵列红外显微镜LUMOS II样机，可免费上机试用和测样，具体请联系布鲁克光谱！

面阵列红外显微镜LUMOS II