Neurale Netwerken en Raman Spectroscopie Ontdekken Microplastics voor een Schoner Milieu

Onderzoeksteam verbetert neurale netwerken voor microplastics identificatie

Een onderzoeksteam onder leiding van Prof. Gao Xiaoming van de Hefei Instituten voor Natuurwetenschappen van de Chinese Academie van Wetenschappen heeft residuele neurale netwerken verbeterd om microplastics nauwkeurig te classificeren en identificeren met behulp van lage kwaliteit Raman spectra, zelfs onder niet-ideale experimentele omstandigheden.

“Het detecteert en classificeert microplastics wanneer de gegevens vervuild zijn met ruis,” zei Prof. Gao, “en dit gebeurt zonder de rekenkracht te overbelasten.” De onderzoeksresultaten zijn gepubliceerd in Talanta.

Microplastics, plastic deeltjes kleiner dan 5 mm, zijn wijdverspreid in het milieu en vormen aanzienlijke risico’s voor zowel ecosystemen als de menselijke gezondheid. Snelle en nauwkeurige identificatie van deze verontreinigingen is cruciaal voor effectief milieubeheer. Raman spectroscopie, bekend om zijn niet-destructieve en hoge resolutie mogelijkheden, is een veelbelovende tool voor detectie. Echter, het nauwkeurig analyseren van microplastics in uitdagende omgevingen blijft een technische uitdaging.

Om dit probleem aan te pakken, introduceerden de onderzoekers een verbeterd residueel netwerkmodel dat microplastics kan classificeren op basis van Raman spectra die zijn verzameld onder suboptimale omstandigheden, zoals onvoldoende lasersterkte of korte spectrale acquisitietijden.

In vergelijking met traditionele convolutionele neurale netwerken, bereikt het nieuwe model, uitgerust met een Squeeze-and-Excitation module, een hogere nauwkeurigheid bij het identificeren van microplastics, zelfs wanneer het wordt geconfronteerd met aanzienlijke ruisinterferentie en lage signaal-ruisverhoudingen. Belangrijk is dat deze vooruitgang geen substantiële toename van de rekenkundige eisen met zich meebrengt.

Bovendien weerspiegelt Grad-CAM visualisatie, een soort “AI X-ray visie”, de basis voor spectrale classificatie door middel van machine learning. Dit werk toont de mogelijkheden van machine learning aan om lage kwaliteit Raman spectra te analyseren en te verwerken in complexere omgevingen en onder interferentie, volgens het team.