【摘要】 除了传统的基于阈值的方法外，机器学习主要用于通过光谱和图像识别来识别MP光谱技术因其无损、快速、无需预处理等特点被广泛应用于微塑料（MPs）种类的识别。

微塑料（MPs）是直径小于5毫米的塑料碎片，近年来在环境污染研究中受到广泛关注。塑料废物管理是世界环境安全的重要任务。塑料的鉴别是废物管理和回收过程的前提，尤其是准确鉴定塑料的化学成分非常必要和重要。

 

振动光谱测量，包括红外吸收，近红外漫反射，和拉曼散射，由于其非破坏性和制备简单等优点而被广泛使用。该技术是可靠的，因为它可以提供分子结构信息。

 

在实际环境中，塑料样品表现出很大的多样性，因此MPs样品存在于各种功能基团中并含有一些化学污染物，更重要的是，一些环境样品存在于不同的降解状态。上述所有影响都会导致光谱发生相当大的修改，并使识别更具挑战性。

 

通过通用库搜索方法很难从参考光谱中找到足够的匹配，而手动重新检查不匹配的光谱非常耗时。所有这些因素进一步阻碍了自动识别并增加了光谱分析过程中的人工劳动。

 

对于光谱失真，由于环境塑料样品的多样性，建立有效的模型来分析样品的成分并不容易。已有几篇报告提出了用于自动识别 MP 类别的识别算法，例如主成分分析 (PCA) 或随机决策森林 (RDF)。

 

然而，正确率需要进一步提高。因此，迫切需要一种自动化的方法来减少分类错误和人工劳动。一些有效的自动识别模型已被提出来分析不匹配的环境样品，如开发内部光谱库和调整识别模型的阈值。

 

除了传统的基于阈值的方法外，机器学习主要用于通过光谱和图像识别来识别MP光谱技术因其无损、快速、无需预处理等特点被广泛应用于微塑料（MPs）种类的识别。

 

光谱类别的识别往往通过与光谱参考库匹配的方式进行，这对于已知物质库很有效，但无法盲目识别环境MPs的未知来源。本文提出了一种鲁棒分类器来区分环境MPs样品的化学类型，识别率高于0.97。

 

该鲁棒分类器创新性地在发展的k最近邻（kNN）模型中提出了一个自适应估计量作为对环境MPs进行分类的硬阈值，从而有效地消除了光谱畸变和多样性的干扰。该方法增加了对现实环境MPs样品光谱的解释能力。

图 1. 从温州市海滩收集的 MP 碎片[1]。

 

本研究尝试开发一种简单有效的分类器来识别环境塑料的类别。提出了一种稳健分类器来调整传统kNN中的自适应距离估计，并克服环境污染物或塑料降解引起的光谱扭曲的负面影响。

 

应用四种类型的塑料和400多个光谱来验证稳健kNN模型的有效性。结果表明，所提出的方法比传统kNN具有更好的性能，平均识别准确率从0.919（通过kNN）显著提高到0.975（通过稳健kNN）。

 

考虑到所提出方法的优势，它似乎比现有的kNN模型更适合对各种样品进行分类。结果表明，光谱技术与稳健kNN分类器方法相结合具有显著的识别环境塑料的能力。这项工作进一步表明，通过这种稳健分类器可以克服使用光谱技术盲目识别各种环境塑料的局限性

 

[1]Chen X, Zhou J, Yuan L M, et al. Spectroscopic identification of environmental microplastics[J]. IEEE Access, 2021, 9: 47615-47620.

 

环境检测是科学指南针旗下综合性的检测技术服务平台，实验室分布南京、北京、上海、青岛等全国30余个城市，测试项目齐全包括但不限于常规理化项目、LCMS、GCMS、同位素、单糖组成、DOM（FT- ICR- MS）、水土抗生素等。其中环境实验室总部坐落于南京市，已取得检验检测机构资质认定CMA证书，国家标准、行业标准，一应俱全。此外，我们还拥有一批技术过硬、科研水平深厚的专业团队，为您提供全面、专业、高质量的环境检测服务。

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。