Исследователи используют машинное обучение для ускорения подсчета микропластика

Микропластик окружает нас повсюду — в воде, пище и воздухе. Однако для понимания его реального воздействия на здоровье ученым необходимы более быстрые и эффективные методы количественной оценки. Два недавних исследования инженеров Университета Торонто предлагают новые подходы, использующие машинное обучение для упрощения, ускорения и удешевления процесса подсчета и классификации микропластика.

Классические методы подсчета с помощью оптической микроскопии крайне трудоемки и подвержены человеческим ошибкам. В исследовании, опубликованном в ACS ES&T Water, группа под руководством Элоди Пасспорт предложила прогнозную модель. Она использует алгоритм, который оценивает количество частиц микропластика на основе агрегированных измерений массы, что позволяет анализировать лишь часть образцов вручную. Этот метод обеспечивает отслеживание погрешностей, сопоставим с ручным подсчетом, но значительно быстрее и дешевле, что важно для сравнения проб из разных водоемов и в разные моменты времени.

Второе исследование, опубликованное в Science of The Total Environment, фокусируется на автоматической классификации. Кандидат наук Бин Ши использовал сканирующие электронные микроскопы и модели глубокого обучения для сегментации изображений и классификации микропластика по форме. Этот подход обеспечивает большую глубину резкости и детализацию поверхности, предотвращая ложную идентификацию мелких и прозрачных частиц. Проект также создал первую размеченную открытую базу данных изображений микропластика для сегментации, доступную исследователям по всему миру.

«Глубокое обучение позволяет ускорить количественную оценку, особенно когда нужно исключить другие материалы, такие как минералы или органическое вещество», — отмечает Бин Ши. Ученые надеются, что эти методы не только помогут профессионалам, но и позволят вовлечь гражданских ученых в мониторинг загрязнения микропластиком в их собственной среде.