Нейронные сети и рамановская спектроскопия идентифицируют микропластик для более чистого мира

Исследовательская группа под руководством профессора Гао Сяомина из Хэфэйских институтов физических наук Китайской академии наук усовершенствовала остаточные нейронные сети (ResNet) для точной классификации и идентификации микропластиков с использованием низкокачественных рамановских спектров, даже в неидеальных экспериментальных условиях. Результаты работы опубликованы в журнале Talanta.

Микропластики — частицы пластика размером менее 5 мм — широко распространены в окружающей среде и представляют значительные риски для экосистем и здоровья человека. Их быстрое и точное определение критически важно для эффективного контроля загрязнения. Рамановская спектроскопия, известная своими неразрушающими свойствами и высоким разрешением, является перспективным инструментом для детекции. Однако точный анализ микропластиков в сложных условиях остаётся технической проблемой. Новая модель, оснащённая модулем Squeeze-and-Excitation, достигает более высокой точности идентификации даже при значительных шумовых помехах и низком отношении сигнал/шум, без существенного увеличения вычислительных затрат.

«[Модель] обнаруживает и классифицирует микропластики, когда данные загромождены шумом, — отметил профессор Гао, — и делает это без перегрузки вычислительных мощностей». По словам команды, эта работа демонстрирует способность машинного обучения анализировать и обрабатывать низкокачественные рамановские спектры в более сложных условиях и при наличии помех.