人工智能赋能光学显微成像检测微塑料研究进展

Advances in artificial intelligence-assisted optical microscopic imaging for microplastic detection

摘要

微塑料为一类新的环境污染物，其形状各异、体积小、组成复杂、浓度低，分布广泛，使其识别和测定具有挑战性。基于光学显微成像技术和人工智能（AI）方法在分析微塑料方面具有独特优势。本综述论文拟简要介绍微塑料检测的光学显微成像技术（光学显微镜、荧光显微镜、数字相机、智能手机、高光谱成像等）和人工神经网络人工智能方法（卷积神经网络、编码-解码式分割网络、目标检测与实例分割网络、序列建模与注意力机制等混合结构等）；侧重综述人工智能技术（机器学习、深度学习）辅助的光学成像技术在微塑料的鉴定、分类和定量化方面的研究进展；并探讨人工智能赋能微塑料光学显微成像检测的挑战和发展前景。

Abstract

Microplastics （MPs） represent a novel class of environmental pollutants. Their varied shapes， small size， complex composition， low concentration， and wide distribution make their identification and quantification particularly challenging. Combination optical microscopic imaging techniques and artificial intelligence （AI） methods offer unique advantages in analyzing MPs. This review briefly introduces optical microscopic imaging technologies for microplastic detection （such as optical microscopy， fluorescence microscopy， digital cameras， smartphones， hyperspectral imaging， etc.） and artificial neural network-based AI approaches （including convolutional neural networks， encoder-decoder segmentation network， object detection and instance segmentation networks， hybrid architectures incorporating sequence modeling and attention mechanisms， etc.） It focuses on summarizing the research advances in the identification， classification， and quantification of microplastics using AI-assisted optical imaging technologies （such as machine learning and deep learning）. Additionally， the challenges and future development prospects of AI-enabled optical microscopic imaging for microplastic detection are discussed.

Graphical abstract

关键词

微塑料 / 显微光学成像 / 人工智能 / 深度学习，环境分析

Key words

microplastics / optical microscopic imaging / artificial intelligence / deep learning / environmental analysis

微塑料（microplastics， MPs）指直径为1 μm~5 mm的塑料碎片，纳塑料指直径小于0.1 μm的塑料碎片。2004年首次提出微塑料的概念^［1］。2017年10月27日，世界卫生组织国际癌症研究机构公布，聚苯乙烯（PS）、聚丙烯（PP）和聚乙烯（PE）被列入3类致癌物清单中。塑料会在机械作用、生物降解、光降解、光氧化降解等过程共同作用下逐渐被分解成碎片，形成微塑料，被海洋生物吞食，在生物体内不断积累，随着生物链，造成更广泛的危害^［2-5］。微塑料可直接进入陆地、水生和大气环境；也可传至人体各种组织和器官的管道^［4-5］，甚至可穿透血脑屏障，导致氧化损伤和免疫应激^［6］，从而威胁人类健康。发展快速检测微塑料的方法，对微塑料在海岸、海洋、食物、人体中的传输、分布以及生命与公共安全具有重要的科学意义和应用价值。

近年来，微塑料检测方法及其在环境、食品和人体等评价的应用研究越来越受到重视。微塑料检测方法的研究主要集中在：1）采样和样品预处理方法^［7］；2）鉴定表征方法：傅里叶变换红外光谱法（FTIR）和拉曼（Raman）光谱法^［8］；3）微塑料质量浓度分析方法：热解—气相色谱串联质谱法（Pyr-GC/MS）、液相色谱-串联质谱法（LC-MS/MS）、飞行时间质谱法（ToF-MS）等^［9］；4）微塑料荧光染色和光学显微成像计数分析方法等^［10-12］。人工智能（AI）技术在微塑料的检测和数据处理中的应用研究发展快速，具有独特优势，已经有一些综述性论文发表^［13-20］。ZHANG等^［13］综述了基于人工智能的微塑料成像技术的最新进展、热点与挑战；JIN等^［14］综述了微塑料检测与污染控制中的人工智能的研究进展，聚焦于图像处理、傅里叶变换红外光谱、拉曼光谱和高光谱成像（HSI），强调人工智能如何提升这些技术的效率和准确性；HU等^［15］全面地综述了利用人工智能快速识别微塑料污染并预测微塑料环境行为的研究进展，概述了用于预测各种任务中微塑料检测中的机器学习方法，并详细讨论了应用机器学习的数据源、数据预处理、算法原理及算法局限性；GUO等^［16］全面地综述了人工智能赋能的微塑料收集与表征方法；LATWAL等^［17］综述了数据驱动的人工智能检测微塑料的研究进展；THANGAGIRI等^［18］综述了基于文献计量分析对人工智能在微塑料检测和分类中的前瞻性应用；NAGPAL等^［19］综述了通过人工智能推进水生环境中微塑料污染管理的研究进展；RAWAT等^［20］综述了人工智能驱动的食品微塑料检测研究进展，对微塑料的来源、健康风险、检测技术及新兴人工智能解决方案进行了全面回顾。作者实验室开发了一个通过在UNet3+框架内利用新的混合注意力机制的深度学习网络（ATTBeadNet），并开源了相关软件程序，发展了超高灵敏测定蛋白质生物标志物的深度学习辅助数字荧光免疫成像分析新方法，ATTBeadNet的结果优于计算机视觉、Image J、全卷积网络、掩码区域的卷积神经网络等方法，荧光成像图的处理时间小于1 s^［21］。

关于微塑料样品的采样和预处理方法^［7］、光谱表征方法^［8］、色谱-质谱分析法^［9］、荧光染色方法^［10-12］、AI应用^［13-20］已有许多综述，然而，未见到微塑料自动化检测中光学显微成像与人工智能结合研究进展的专述性论文。本综述论文拟简要介绍微塑料检测的光学显微成像技术（光学显微镜、荧光显微镜、数字相机、智能手机、高光谱成像等）和人工神经网络人工智能技术；侧重综述人工智能技术辅助的光学成像技术在微塑料的鉴定、分类和定量化方面的研究进展；并探讨人工智能赋能微塑料光学显微成像检测的挑战和发展前景。

1 微塑料检测光学成像技术

微塑料检测的任务是对环境或生物样品中微塑料进行定性表征（形貌，大小，鉴定）、定量分析（质量浓度，颗粒浓度）以及在环境水域的分布分析。如前所述，微塑料是直径为1 μm~5 mm的塑料碎片。常言道“眼见为实”，在众多的检测技术中，光学成像技术具有“可视化”独特的优势。为了使读者能理解微塑料检测的光学成像技术，在此先介绍常用的光学成像所用仪器。

1）光学显微镜（Optical microscope）

各种显微镜，如光学显微镜^［22］、扫描电镜^［22］、荧光显微镜^［23-26］和扫描电子显微镜^［26］等已被用于对微塑料的形态和大小的表征。这些显微镜在分辨率和功能上各不相同。荧光显微镜因可以通过对目标物微塑料进行选择性荧光染色后进行的荧光成像可以大大提高对比度和选择性而被广泛使用。原子力显微镜^［27］已被用于对微塑料的形态和大小的表征。质谱成像仪^［28］也被应用于对微塑料的形态和大小的表征和测定。

2）数码相机（Digital camera）

数码相机是使用十分广泛的成像系统，因其易用性、便携性和成本效益等优势，适合各种现场项目。缺点有放大率有限和对光线条件敏感^［29-30］。例如数码相机可以安装在机器人上，如无人机和履带机，以高效拍摄微塑料^［31］。利用传统CMOS彩色相机可进行RGB彩色图像分析^［32］。数字照片可以通过基于深度学习的计算机视觉方法实现自动高效检测微塑料。

3）智能手机（Smartphone）

智能手机已经广泛应用于人们的生活中，其摄影功能也越来越强大。智能手机已被应用于微塑料的定量化分析^［33-35］。KARKI等^［34］使用易得的配件设计了一款可对水样中微塑料污染进行常规筛查的智能手机显微成像系统，获得了水中微塑料颗粒的数量、形状和大小信息见图1。该组装的微塑料成像系统所获得的图像可与商用明视场显微镜媲美。

4）高光谱相机

高光谱成像技术是利用高光谱相机在三维空间（宽度、高度和光谱）中捕捉样品图像，既可提供光谱信息，也可提供空间信息。基于拉曼散射的拉曼光谱成像技术已被用于鉴定微塑料的化学组成^{［8，10，12， 36］}，这涉及微塑料间化学键相关的变化。一种高光谱成像技术已成功应用于分析大于250 μm的微塑料，其时间明显短于FTIR和拉曼光谱法，此外，已开发出小型轻量化的高光谱相机（0.7~2.0 kg），适用于无人机等机器人^［37］。

2 微塑料光学成像检测中的人工智能技术

人工智能是计算机科学中核心且知名的分支，致力于构建智能系统并以类似人类智能系统的方式解决问题。人工智能应用于系统的主要目的是增强与人类知识相关的计算机功能，如学习、问题解决、推理和感知^［38］。按照方法发展脉络，大致可分为基于人工特征的传统机器学习方法与基于深度神经网络的深度学习方法两类。人工智能之所以蓬勃发展，主要源于其独特的特性，能够基于历史数据学习和适应系统，并做出决策。随着人工智能系统与智能、适应性和有意图的算法的整合，人工智能的重要性不断提升^［38］。对于非计算机专业的读者，了解人工智能技术相关的基础知识也十分重要。因此，本文拟简要介绍图像处理相关的人工智能技术。

在人工智能早期应用于图像分析与检测的研究中，通常采用传统机器学习（machine learning）方法，对预处理后的图像或光谱数据进行模式识别和分类^{［18，38］}。典型算法包括决策树（Decision Tree， DT）、随机森林（Random Forest）、支持向量机（Support Vector Machine， SVM）、k‑近邻（k‑Nearest Neighbor， k‑NN）、遗传算法（Genetic Algorithm）和粒子群优化（Particle Swarm Optimization， PSO）等。此类方法的一般流程为：首先利用常规图像处理方法（如阈值分割、边缘检测、形态学操作等）从图像中提取候选目标区域；随后计算形状、尺寸、颜色、纹理等人工设计特征；最后将这些特征输入机器学习分类器，实现不同类别目标之间的判别。该类方法实现相对简单、可解释性较好，但对特征设计依赖较强，当图像背景复杂、目标形态多样或成像条件变化较大时，模型的鲁棒性和泛化能力往往受到限制。

随着深度学习（deep learning）的快速发展，基于人工神经网络（Artificial Neural Network， ANN）的端到端图像分析方法已在各类显微图像与宏观图像任务中得到广泛研究和应用^［38-48］。深度学习模型能够直接从原始数据中自动学习多层次特征，减少了对人工特征设计的依赖，在复杂场景下通常表现出更高的识别精度和适应性。

卷积神经网络（Convolutional Neural Network， CNN） CNN是深度学习图像分析中最基础的网络结构，通过卷积、池化和非线性激活等操作实现局部特征提取与多尺度表征^［40-41］。CNN的代表性架构见图2（a），在典型应用中，CNN常作为特征提取骨干网络，用于构建图像分类或目标检测模型。例如，以VGG、ResNet等为基础的网络可对图像块或整幅图像进行分类，实现不同类型目标的识别。

编码-解码式分割网络（U-Net及其变体） 针对需要获得像素级目标轮廓与区域信息的任务，编码-解码式分割网络具有明显优势。U-Net及其改进网络（如U-Net++、U-Net3+等）采用对称的下采样-上采样结构，并引入多层跳跃连接，在保留高层语义信息的同时恢复空间分辨率。这类网络能够对图像中各像素进行精细分类，常用于定量分析颗粒尺寸分布、目标面积和空间分布等，在医学图像分割、材料显微图像分割等领域均已取得较好效果。U-Net的代表性架构见图2（b）。

目标检测与实例分割网络（Faster R‑CNN、Mask R‑CNN、YOLO等） 在需要在一幅图像中同时实现“目标定位”和“类别判别”的任务中，基于卷积神经网络的目标检测与实例分割网络发挥了重要作用。Faster R-CNN通过在卷积特征图上引入区域建议网络（Region Proposal Network，RPN）生成候选区域，再对各候选区域进行分类和边界框回归，是典型的两阶段检测框架^［45］。如图2（c）所示，Mask R-CNN在此基础上增加掩膜预测分支，可在输出目标类别与边界框的同时给出像素级分割掩膜，适用于形态多样、相互重叠目标的精细表征^［49-50］。YOLO（You Only Look Once）系列网络将目标检测问题表述为单阶段回归问题，如图2（d）所示，在同一网络中同时预测目标类别与边界框参数，具有检测速度快、结构紧凑、便于工程部署等特点^［46-48］。改进的YOLOv5、YOLOv8等模型在多种图像检测任务中表现出较高的平均精度均值（Mean Average Precision， mAP）和较低的推理延迟，适合大规模监测与在线筛查等应用场景^［47-48］。

序列建模与注意力机制等混合结构 对于时间序列成像或多帧图像数据，循环神经网络（Recurrent Neural Network，RNN）及长短时记忆网络（Long Short‑Term Memory，LSTM）可用于建模时序相关性^［44］。此外，注意力机制（attention）和Transformer结构逐渐被引入到U‑Net、YOLO等框架中，用于增强网络对小尺寸目标、低对比度边界及关键信息区域的响应，有助于进一步提升分割与检测任务的鲁棒性和精度^{［21，47］}。

人工智能模型在图像检测与分析中的应用效果，除网络结构外，还与数据集划分策略和评价指标密切相关。通常将可用数据划分为训练集（training set）、验证集（validation set）和测试集（test set），比例可根据数据量与任务需求进行设置（如6∶2∶2或7∶1∶2），分别用于模型参数学习、超参数调优和泛化能力评估。其次，应对模型性能评估（Model performance evaluation），这涉及几个重要的评价指标，如准确度（Accuracy）A、精度（Precision）P，召回率（Recall）R_r，F1分数（F1 score），平均精度（Average Precision）P_AP^{［21， 51-52］}。准确度是指正确预测图像数量占总预测数的比例：

A=\frac{\mathrm{N}\mathrm{u}\mathrm{m}\mathrm{b}\mathrm{e}\mathrm{r}\mathrm{o}\mathrm{f}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}\mathrm{s}}{\mathrm{T}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}\mathrm{n}\mathrm{u}\mathrm{m}\mathrm{b}\mathrm{e}\mathrm{r}\mathrm{o}\mathrm{f}\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}\mathrm{s}}。（1）

精度是正确预测的阳性结果（P_T）与模型预测的阳性总数（P_T+P_F）的比值。大量P_F导致精度降低。精度范围在0~1之间，计算公式为

P=\frac{P_{\mathrm{T}}}{P\mathrm{T}+P_{\mathrm{F}}}。（2）

召回率用于通过求真阳性结果数（P_T）与所有样本数（P_T+N_F）的结果来衡量正确的阳性预测，计算公式为

R_{\mathrm{r}}=\frac{P_{\mathrm{T}}}{P_{\mathrm{T}}+N_{\mathrm{F}}}。（3）

F1分数（F1 score）被定义为精度和回忆的谐波平均值，取值介于0~1之间，1代表最佳，0代表最差，从而实现对不同算法的整体评估。F1分数通常用于评估拟议图像处理方法的性能，计算公式为

F\mathrm{1}=\mathrm{2}\times \frac{P\times R_{\mathrm{r}}}{P+R_{\mathrm{r}}}。（4）

平均精度（P_AP）用于评估网络在一组图像中识别塑料的频率，在收集真阳性和假阳性值后，使用交集与并（IOU）公式生成一条精度-召回率曲线。交并比IOU计算公式为

IOU=\frac{BBo{x}_{predicted}\bigcap BBo{x}_{groundTruth}}{BBo{x}_{predicted}\bigcup BBo{x}_{groundTruth}}。（5）

BBox_predicted和BBox_groundTruth分别是预测框和地面真实边界框曲线下的区域。必须设置较高的置信度和欠据阈值以确保准确性，正确检测即为超过该阈值。平均精度（P_AP）和平均精度均值（P_mAP）计算公式见文献［53］。

3 人工智能在光学成像微塑料检测中的应用

基于人工智能（机器学习、深度学习）的方法已被应用于微塑料的成像分析，实现自动识别、分类和定量化微塑料。具体来说，就是涉及微塑料与其他固体颗粒的鉴别、不同化学组成的各种微塑料间的分类，以及微塑料总颗粒浓度和单一微塑料颗粒浓度的定量化分析。就基于AI辅助微塑料光学成像分析的研究论文而言，其鉴定、分类和定量化微塑料并不一定为单一的，以下的分述只是侧重点不同而已，仅为分述方便。

3.1 基于形状鉴定微塑料

工业生产的各种塑料在各种环境区域（如水、沉积物和生物群落）中，经过风化、裂解等过程转化为各种尺寸、形状、颜色和聚合物类型的微塑料^［54］。微塑料的形状被分为以下类型：纤维、碎片、薄膜、泡沫等。纤维（52.7%）和碎片（25.3%）是四个研究区域中最丰富的形状，其次是薄膜（8.9%）和泡沫（4.3%）。这些区域的生物群还观察到以纤维（73.4%）、碎片（21.4%）和泡沫（2.4%）的形式摄取微塑料；检测到微塑料尺寸从0.004~5 mm不等，颜色范围广泛，包括白色、黑色、透明、绿色、红色、蓝色、黄色等。基于微塑料形状可进行微塑料的鉴定（Identification）。

LORENZO-NAVARRO等^［31］提出了基于深度学习网络的架构，旨在自动计数和分类1~5 mm范围内的微塑料颗粒，这些颗粒来自数码相机或分辨率1 600万像素及以上的手机拍摄的照片。所提架构包括第一阶段，通过U-Net神经网络实现，负责图像中粒子的分割。在分离出不同粒子后，基于VGG16神经网络的第二阶段将其分为三类：片段、颗粒和线。这三种类型被选为该系列中最常见的类型。实验评估使用两台数码相机和一部手机拍摄的图像进行。实验中使用的颗粒对应于2018年8月在西班牙特内里费岛的普里斯海滩（28°09′51“N，16°25′54”西经）采集的样本。颗粒分段实验中Jaccard指数为0.8，微塑料颗粒分类准确度为98.11%。该架构比之前基于传统计算机视觉技术的类似系统快得多。

WANG等^［45］开发了一个改进的基于区域的卷积神经网络（R-CNN）模型，用于识别和检测微塑料颗粒。在所提模型中，残差网络50（ResNet-50）作为骨干网，取代传统网络以增强特征提取能力，同时引入特征金字塔网络（feature pyramid networks）模块用于解决多尺度目标检测问题。通过改进的Faster R-CNN模型，网络模型性能得以提升，在海洋环境中检测到独特微塑料颗粒的平均置信度（average confidence of detecting）可达99%。此外，微塑料混合物通过预测的边界框精确界定，避免漏检和错误检测。通过采用改进型Faster R-CNN模型，成功鉴定了形状相似但背景、亮度、分布和物体尺寸等条件不同的颗粒悬浮液中的聚苯乙烯微塑料颗粒，从而实现了海洋环境中微塑料颗粒的准确检测。

HAN等^［49］提出了一种先进的深度学习方法Mask R-CNN，用于定位、分类和切割具有不同形状（纤维、碎片、颗粒和杆状）的大型海洋微塑料颗粒，建立了包含3 000张图像的微塑料数据集，用于训练和验证这一由Resnet 101架构支撑、可在不到8小时内完成调优的Mask R-CNN算法。完全训练好的Mask R-CNN算法与U-Net在不同背景下的微塑料表征中进行了比较。结果显示，该算法在250张图像测试数据集中能够实现精度为93.30%，召回率为95.40%，F1分数为0.943 4，包围框平均精度（Average precision of bounding box）为92.7%，掩膜平均精度（Average precision of mask）为82.6%。该算法还可实现12.5 FPS的处理速度。本研究结果表明，Mask R-CNN算法是一种有前景的微塑料表征方法，未来有望用于大规模调查。

TATA等^［51］发展了一种利用深度可视化模型量化环流结合塑料机器人方法.该论文针对目前海洋塑料最常见的方法是使用魔鬼鱼拖网进行人工采样，这种方法成本高昂且需要人工劳动。本研究通过使用神经网络（YOLOv5-S，Faster R-CNN）和计算机视觉模型的自主方法，消除了手工采样的需求，这些方法通过从海洋的不同层级捕获的图像进行训练，实现实时微塑料定量化。表现最佳的模型平均精度为85%，F1评分为89%，同时保持近实时处理速度为2 ms/mg。

THAMMASANYA等^［53］发展了一种结合了紫外线照射下的光学成像与深度学习的优势的新颖的微塑料分类方法。采用ResNet50FPN骨干的Faster RCNN模型用于检测和识别微塑料。使用在紫外线下拍摄的现场微塑料图像，见图3，进行训练和验证模型。该分类模型的精度达到85.5%~87.8%，在内部测试集中P_mAP为33.9%，在外部测试集中P_mAP为35.7%。这种分类方法提供了高精度、低成本且高效自动微塑料识别和计数。

HUANG等^［50］提出了采用基于形状分类命名框架的深度卷积神经网络（DCNN）分割和自动识别微图像中的微塑料，其流程见图4；深度学习模型使用了1 498张碎片、颗粒和纤维图像的数据集进行训练。这些图像被标记并重新格式化为二进制数据以训练Mask-RCNN模型，平均分割准确度超过75%，每张图像处理时间为0.2 s。利用来自不同样本的多元图像训练基于掩膜区域卷积神经网络（Mask R-CNN）的模型进行分类，模型中增加了侵蚀和膨胀作以改善分割结果，在测试数据集中，分割和形状分类的平均F1分数分别为0.760 1和0.617。这些结果展示了所提出方法在微塑料的自动化分割和形状分类中的潜力。

3.2 基于化学性质和光谱分类微塑料

微塑料其化学组成为有机共聚物，对于各种微塑料间的分类（Classification），主要是在化学组成上进行分类，从微塑料的物理性质如形状，大小、密度上难以区分。傅里叶变换红外光谱法，拉曼光谱法可对微塑料从化学组成进行区分。本文仅限于光学成像法，因此仅介绍光学成像法检测微塑料的研究进展。

ZHU等^［55］开发了深度学习卷积神经网络架构PlasticNet，用于增强多元记忆识别分类。在用8 000+个原生塑料光谱（micro-FT-IR imaging）训练后，PlasticNet成功地以超过95%的准确度对11种常见塑料进行了分类。识别错误由混淆矩阵显示，主要由边缘效应、塑料分子相似性以及标准品污染引起。当PlasticNet用原生塑料光谱训练时，在识别因添加剂和风化而复杂度增加的光谱方面表现出良好（92%+）。将PlasticNet重新训练为更复杂光谱，进一步增强了模型识别复杂光谱的能力。尽管MPs厚度变化导致光谱变化，PlasticNet仍成功识别了MPs。与文献搜索在相同复杂环境样本数据集中识别MPs的表现相比，PlasticNet在识别PP方面提升了17.3%。PlasticNet有潜力成为通过焦平面阵列（focal plane array）傅里叶变换红外成像分析环境样本快速且准确自动识别MPs的标准方法。

LEI等^［56］发展了基于可定制机器学习模型和拉曼显微镜快速识别微塑料的新方法， 通过使用开源的随机森林、K最近邻和多层感知器算法创建机器学习分类模型来展示快速识别微塑料。这些模型在用拉曼位移下分级为1、2、4或8 cm^-1间距的光谱数据训练时，可实现>95%的分类准确度。即使在非理想条件下，如1 kHz的光谱采样率以及微塑料颗粒位于激光焦平面之外时，也能保持精度。这种方法使得创建具有稳健性和适应性强的分类模型，能够适应不同的光谱仪设置和实验需求。

AI等^［57］将高光谱成像技术应用于快速筛查和分类农田土壤中微塑料。该研究共收集了600条高光谱数据，来自180组农田土壤样本，使用波长范围为369~988 nm的高光谱成像仪。首先，高光谱数据通过Savitzky-Golay（S-G）平滑滤波器和平均归一化进行预处理。其次，采用主成分分析（PCA）以最小化高光谱数据的维度，从而减少数据量，使后续模型更易于构建。前三个主要成分的累计贡献率达到98.37%，包括原始频谱数据的主要信息。最后，建立了三种模型，包括决策树、支持向量机（SVM）和卷积神经网络（CNN），这些模型均能对农田土壤中的聚乙烯（PE）、聚丙烯（PP）和聚氯乙烯（PVC）等三种MP聚合物实现良好分类效果。通过比较三种模型的识别准确率，DT和SVM的分类准确度分别为87.9%和85.6%。基于S-G平滑滤波器的CNN模型获得了最佳的预测效果，分类准确度达到92.6%，在分类效果上显得显著优势。总体来看，这些结果表明，所提的高光谱成像技术能够快速且无损的识别土壤中MPs，并提供了一种高效的自动化聚合物检测方法，而只需快速且简单的样品准备。

3.3 定量化微塑料

微塑料在环境等样品中的定量化测定（颗粒计数）是一个重要的任务。对于从实验所获得的微塑料图像中微塑料需要进行分割、标识和计数。分割可按像素和/或语义分割模型进行。语义分割模型已被用于定量化微塑料^［18］。

AKKAJIT等^［48］发展了利用深度学习增强海洋环境中微塑料的检测与分类新方法，旨在克服传统方法劳动密集且易出错的局限性，以便有效地检测和分类海洋中污染的MPs。与以往使用公开数据库的研究不同，采用了自定义数据集，包含600张真实世界MPs图像，其中包括320张用于训练的图像、80张用于验证的图像，以及固定的200张测试图像。这些图像来自沿海海滩提取的MPs数据，确保了训练模型在现实世界微塑料检测中的相关性和准确性；评估了物体检测和分类算法：YOLOv8x、YOLOv8x（增强）、YOLOv8m、YOLOv8m（增强）、YOLO-NAS-L和YOLO-NAS-L（增强），重点关注四种MP形态：纤维、薄膜、碎片和颗粒。数据集分为80%用于训练（320张图片）、20%用于验证（80张图片）和一个200张的测试集。图像通过旋转（+25°和25°）、缩放大小（640 × 640像素）、缩放、自动定向条、翻转和噪点应用进行了增强，这使训练集扩展了300%，总计生成了1 400张图像。YOLOv8算法，尤其是增强后，在mAP@0.5和精度方面均优于YOLO-NAS-L算法。值得注意的是，YOLOv8x在精度和mAP@0.5的精度上都达到了卓越的99.0%，每张图像的推理时间仅为1.2 ms。增强技术的实现显著提升了各种模型的检测准确率。经过增强，YOLOv8x、YOLOv8m和YOLO-NAS-L的精度持续超过99%。在实时应用中，YOLOv8x被选为设计用于检测和分类MPs的应用，提供了比传统方法更准确、更高效的解决方案。该模型为MP（海洋污染）分析研究者提供了宝贵资源，提升了环境监测的准确性和可靠性。

SHI等^［58］发展了基于深度学习自动定量和分类扫描电子显微照片中的微塑料的新方法。深度学习方法通过手工注释数据集促进微塑料的定量和分类，数据集包含237张微塑料颗粒（碎片或珠子）的显微照片，长度为50 μm~1 mm，纤维直径约为10 μm。对于微塑料定量，采用了两种深度学习模型（U-Net和MultiResUNet）进行语义分割。两者均显著优于传统计算机视觉技术，且平均Jaccard指数均高于0.75。特别是，U-Net与对象感知像素嵌入结合，用于对密集且缠绕的纤维进行实例分割，以进一步定量化。在形状分类方面，经过精细调优的VGG16神经网络以98.33%的高准确度根据微塑料形状对微塑料进行分类。使用训练好的模型，切割和分类新的微观图只需几秒钟，精度高，这比人工劳动成本和速度都低得惊人。不断增长的数据集将促进在未来研究环境样本中微塑料的鉴定和定量化。

TIAN等^［59］发展了量子级联激光成像（Quantum cascade laser imaging，LDIR）和机器学习用于环境暴露微塑料和聚合物的识别等新方法。记录的各种高分子聚合物粒子（81 291个单个粒子）的红外光谱。利用原始粒子和风化粒子的组合，两个监督机器学习模型—子空间k最近邻（Sub-kNN）和增强决策树（BDT）—被训练以识别标记粒子的光谱特征，并用于识别未标记样本，通过10折交叉验证实现了89.7%和77.1%的识别准确度。约90%的样本可通过亚kNN或BDT模型识别。随后，采用了非监督机器学习模型，即基于密度的噪声应用空间聚类（DBS CAN），用于对无法在监督机器学习模型中标记的样本进行聚类分析。这使得更多微塑料亚类得以检测到。随后可以对每个组的部分光谱（例如每个簇的质心）进行人工标记，从而加快识别过程，并允许将新的标记样本添加到初始监督机器学习中。尽管仍需努力，但该方法通过结合监督和非监督学习模型大幅降低了标记工作量。深度神经网络的应用有望进一步推动这类方法在环境中的高分子聚合物和微塑料鉴定应用。

XU等^［60］发展了利用卷积神经网络在城市水域中高效准确地识别和分割微塑料的新方法。本研究先从中国南方城市水域获取了一组复杂背景的MPs数据集。该数据集用于训练和验证包括UNet、UNet2plus和UNet3plus在内的CNN模型。随后，使用新收集的MPs数据集评估了这三个模型的计算和推断性能。结果显示，UNet、UNet2plus、UNet3plus在训练120个时期（epochs）后，分别能在100张MPs图像中以不到1 s、2 s和3 s的有效推断。使用UNet和UNet2plus分别实现了（91.45±5.93）%和（91.08±6.18）%的mIoU的准确分割，而UNet3plus表现较差，IoU仅为（82.21±10.33）%。该工作证明了UNet和UNet2plus能够高效且准确地识别城市水域的MPs。

PARK等^［61］提出了一种基于深度学习的图像分割方法，从微塑料到像素（pixels），能够在给定显微镜图像中正确区分荧光多层次与其他元素；共研究了九种不同的深度学习模型，其中六种基于U-Net。这些模型使用至少20 000个微塑料，从99张MPs荧光显微镜图像及其对应二进制掩模中抽样的图片进行训练。MP-Net源自U-Net，被发现是表现最好的模型，表现出最高的平均F1分数（0.736）和平均IOU值（0.617）。测试时间增强（利用亮度、对比度和HSV）应用于MP Net以实现稳健学习。然而，与未增强的结果相比，预测表现并未明显提升。对尖峰和真实图像的回收评估显示，与现有的MPs量化工具相比，MP-Net预测的MPs数量最接近地面真实情况。这一观察结果表明，MP-Net能够创建更准确反映荧光MPs在显微镜图像中数量存在的掩模。最后，引入了MAP（微塑料注释包），这是一个集成的多功能塑料量化软件环境，支持MP-Net、现有的多功能塑料分析工具如MP-VAT、手动注释和模型微调。

MEYERS等^［62］报道了两种机器学习方法在测试基于尼罗红（Nile red）荧光染色海洋微塑料自动化识别中的稳健性（robustness）。聚乙烯（PE）、聚对苯二甲酸乙二醇酯（PET）、聚丙烯、苯乙烯和聚氯乙烯（PVC）为异质形状微塑料，其尺寸为100~1 000 μm不等，在半可控的表面和深海条件下风化，用尼罗红染色并利用荧光立体显微镜成像。该研究工作评估并比较了决策树（DT）和随机森林（RF）模型在检测和识别这些风化塑料方面的准确性；评估了分析时间和模型复杂度，以及下限尺寸（2-4 μm）和方法的互用性。DT模型和RF模型在检测和识别完好塑料聚合物方面准确度>90%）；对于风化微塑料的检测，PET颗粒除外，两种模型均有足够高的准确度（>77%）。对于12-30像素的粒子（可转换为尺寸<10 μm）微塑料的预测的准确度>90%。尽管RF模型在不同实验室间未能产生一致结果，但该方法的固有灵活性使其能够快速适应和优化，确保通过定制数据集对特定研究目标进行微调，从而增强其稳健性。该方法尤为重要是因为它能够准确分析在各种海洋条件下风化的微塑料，以及生态毒理学上重要的微塑料尺寸，使其高度适用于现实环境样本。

VITALI等^［63］发展了利用AI对瓶装水微塑料进行定量图像分析的新方法。基于尼罗红染色和荧光显微镜，开发并验证了分析的瓶装水MPs的方法；使用了具备滤镜部分探测和基于随机森林分类的全自动图像处理流程，从而提升了分析速度。图像分析提供了粒子计数、大小及MPs的大小分布。通过这些数据，还可以粗略估算单个MP的质量，从而推算样品中的MPs质量浓度。该方法在低至10 μm的MPs测定中表现出高灵敏度，粒子计数的检测和定量下限分别为28个/500 mL和85个/500 mL。质量浓度线性测定范围在10~1 500 μg/L之间，回归系数（R²）为0.990；该方法的相对标准偏差（RSD）为9%~16%（n=7），实验室内RSD为15%~27%（n=21）；对于为0.1和1.0 mg/L微塑料的回收率分别为（92±15）%和（98±23）%。该方法获得的定量性能特征符合监管要求，已成功应用于分析20个商业瓶装水样品，包括含气体和香料添加剂，测定结果范围从低于检测限值到7 237个（95% CI ［6 456， 8 088］）个/500 mL。

CABANEROS等^［64］发展了利用深度学习在显微照片中自动预筛选户外空降中微塑料（AMPs）的新方法。该研究中引入了增强型U-Net模型（Attention U-Net和Dynamic RU-NEXT）及掩膜区域卷积神经网络（Mask R-CNN）方法，用于识别和分类低分辨率显微照片（256×256像素）中的户外空降中微塑料。将分类直接整合进基于U-Net的分段框架，从而简化工作流程并提高计算效率。这标志着较以往分开进行分割和分类的工作有了进步。增强版U-Net模型在测试图像中获得了平均分类F1得分超过85%，分割准确度超过77%。此外，Mask R-CNN模型实现了平均包围盒精度为73.32%，分类F1评分为84.29%，掩膜精度为71.31%。与阈值技术相比，所提方法提供了更快、更准确地识别AMPs的方法。它还作为有效的预筛选工具，大大减少了需要劳动密集型化学分析的颗粒数量。通过将先进的深度学习策略融入抗菌肽的研究，为更高效的微塑料监测和表征铺平了道路。

4 结论与展望

本文简要介绍了微塑料检测的光学显微成像技术、人工神经网络人工智能技术和人工智能应用于微塑料鉴定分类和定量化分析的评价指标；全面回顾了人工智能赋能光学成像分析微塑料的研究进展。

人工智能赋能的光学成像分析微塑料研究已经取得快速的发展，与常规方法相比，具有显著的优点^［16］：1）高效率：测量数据，如显微光学成像，可被AI多种模型快速分析和解读，每个数据的计算时间通常短于分割任务的0.2 s^［54］，甚至低至1.2 ms^［48］，使得对MPs实现实时或近实时表征成为可能。2）高准确度：利用MPs图像数据训练的机器学习或深度学习模型能提供一致的特征描述结果，消除了与人相关的不确定性。训练好的检测模型的准确度可达到98.5%^［54］；分类准确度可达到92.6%^［57］。3）全面数字化：AI人工神经网络模型提供计算机可理解且可运行数字结果，数字结果可以被存储和便捷地使用。利用机器学习和深度学习方法识别、分类和量化微塑料仍然存在局限性^［16］：1）对数据的依赖性：数据是机器学习和深度学习模型的知识来源。数据的质量和数量对使用数据训练模型的性能中都起着重要作用。MPs检测领域的一个普遍挑战是缺乏用于开发机器学习和深度学习模型的高质量数据库。2）有限的泛化性：在现有研究中，机器学习和深度学习模型使用了数据数量有限且缺乏多样性的特定数据集进行训练。一般来说，使用特定数据集训练的学习模型在使用不同数据集时性能较低。低泛化性能在实际应用中引发了重大担忧，因为实际应用可能涉及机器学习和深度学习模型无法识别的新数据。3）缺乏可解释性：机器学习和深度学习模型通常是黑箱模型。当使用这些模型来描述MPs，模型输出结果时不会解释结果如何产生以及为何产生。研究者很难追踪和核对学习模型的结果。这也引发了对学习模型在实际应用中可靠性和不确定性的担忧。4）数码相机的分辨率有限：MPs颗粒体积小，需要高分辨率成像才能有效检测和表征微塑料颗粒。数码相机的有限分辨率在成像MP时构成挑战；数码相机并非设计用来达到检测微小物体所需的高倍率。使用1 000万像素及以上的相机也带来了额外成本增加的挑战。

尽管近年来人工智能赋能光学显微成像检测微塑料研究方面取得了重要进展，但仍应关注一些重要问题，以促进该领域在基础研究中的创新，并推动人工智能赋能光学显微成像检测微塑料的实际应用。1）数据获取方法学方面：目前检测微塑料光学显微成像方法研究，主要集中在光学显微镜、数码相机和智能手机作为成像器件，对微塑料的形貌、大小的表征。因此，需要进一步研究对不同化学组成的微塑料的鉴定方法。使用高选择性的荧光试剂、分子识别试剂（如适配体，特定寡肽等）与特定微塑料进行选择性结合，以提高方法的选择性。2）人工智能方法：针对人工智能方法在微塑料的鉴定、分类和定量化方面，存在如上所述的局限性，进一步将一些新开发的AI方法引入该领域；环境分析研究者和AI方法研究者应加强合作，促进该领域研究的提升。各种类型的MPs特性化仪器可以集成到机器人平台中，自动化收集特性数据，机器学习和深度学习模型也可以训练以检测、分类和量化MPs而无需人工干预。3）实际应用方面：微塑料是危险物质，因为它们会给动物和人类带来各种健康问题。海洋生物可能会把微塑料误认为食物。微塑料会吸附并携带水中污染物，积累毒素，加剧水污染。微塑料通过海鲜和饮用水进入食物链。微塑料摄入会引起磨蚀效应、炎症或生殖问题、发育障碍以及免疫反应。应进一步研究现场微塑料成像检测方法，将采样、表征、定量化等过程集成在一体，实施全自动化分析。我们相信，人工智能赋能光学显微成像法作为一类微塑料检测新方法，在微塑料的环境分析、环境污染评估和毒理学分析中被广泛应用。

参考文献

[1] THOMPSON R C， OLSEN Y， MITCHELL R P，et al. Lost at sea：Where is all the plastic？［J］. Science，2004，304（5672）：838.

[2] JAMBECK J R， GEYER R， WILCOX C，et al. Plastic waste inputs from land into the ocean［J］. Science，2015，347（6223）：768-771.

[3] DIANA Z T， ROCHMAN C M， Mallos N. UN plastic pollution treaty must not ignore the scourge of microplastics［J］. Nature， 2024， 634（8034）： 545.

[4] WU N， GRIEVE S W D， MANNING A J，et al. Flocs as vectors for microplastics in the aquatic environment［J］. Nature Water，2024，2（11）：1082-1090.

[5] PARRELLA F， BRIZZOLARA S， HOLZNER M，et al. Impact of heteroaggregation between microplastics and algae on particle vertical transport［J］. Nature Water，2024，2（6）：541-552.

[6] DONG H K， WANG X P， NIU X R，et al. Overview of analytical methods for the determination of microplastics：Current status and trends［J］. TrAC Trends in Analytical Chemistry，2023，167：117261.

[7] PRATA J C， COSTA J P DA， DUARTE A C，et al. Methods for sampling and detection of microplastics in water and sediment：A critical review［J］. TrAC Trends in Analytical Chemistry，2019，110：150-159.

[8] QIAN N X， GAO X， LANG X Q，et al. Rapid single-particle chemical imaging of nanoplastics by SRS microscopy［J］. Proceedings of the National Academy of Sciences of the United States of America，2024，121（3）：e2300582121.

[9] HUANG Q， WU X Y， CAO G D，et al. Mass spectrometry-based techniques for determination of microplastics in terrestrial ecosystems［J］. TrAC Trends in Analytical Chemistry，2024，178：117853.

[10] SHIM W J， HONG S H， EO S E. Identification methods in microplastic analysis：A review［J］. Analytical Methods，2017，9（9）：1384-1391.

[11] LIU S D， SHANG E X， LIU J N，et al. What have we known so far for fluorescence staining and quantification of microplastics：A tutorial review［J］. Frontiers of Environmental Science & Engineering，2021，16（1）：8.

[12] 马翠竹，赵雯君，陈昱霏，等. 微塑料的生物示踪和生物成像技术研究进展［J］. 华东师范大学学报（自然科学版），2024（6）：14-23.

[13] ZHANG Y， ZHANG D， ZHANG Z C. A critical review on artificial intelligence-based microplastics imaging technology：Recent advances，hot-spots and challenges［J］. International Journal of Environmental Research and Public Health，2023，20（2）：1150.

[14] JIN H， KONG F H， LI X Y，et al. Artificial intelligence in microplastic detection and pollution control［J］. Environmental Research，2024，262：119812.

[15] HU B B， DAI Y D， ZHOU H，et al. Using artificial intelligence to rapidly identify microplastics pollution and predict microplastics environmental behaviors［J］. Journal of Hazardous Materials，2024，474：134865.

[16] GUO P W， WANG Y H， MOGHADDAMFARD P，et al. Artificial intelligence-empowered collection and characterization of microplastics：A review［J］. Journal of Hazardous Materials，2024，471：134405.

[17] LATWAL M， ARORA S， MURTHY K R. Data driven AI （artificial intelligence） detection furnish economic pathways for microplastics［J］. Journal of Contaminant Hydrology，2024，264：104365.

[18] THANGAGIRI B， SIVAKUMAR R. Prospective application of artificial intelligence towards the detection，and classifications of microplastics with bibliometric analysis［J］. Water，Air，& Soil Pollution，2024，235（6）：362.

[19] NAGPAL M， GUPTA K， GUPTA T，et al. Advancing microplastic pollution management in aquatic environments through artificial intelligence［J］. Journal of Environmental Health Science & Engineering，2025，23（2）：33.

[20] RAWAT H， GAUR A， SINGH N，et al. Artificial intelligence-driven detection of microplastics in food：A comprehensive review of sources，health risks，detection techniques，and emerging artificial intelligence solutions［J］. Food Chemistry：X，2025，29：102687.

[21] ZHANG J， ZHOU W S， QI H L，et al. Deep-learning-assisted digital fluorescence immunoassay on magnetic beads for ultrasensitive determination of protein biomarkers［J］. Analytical Chemistry，2025，97（4）：2393-2401.

[22] WANG Z M， WAGNER J， GHOSAL S，et al. SEM/EDS and optical microscopy analyses of microplastics in ocean trawl and fish guts［J］. The Science of the Total Environment，2017，603/604：616-626.

[23] KARAKOLIS E G， NGUYEN B， YOU J B，et al. Fluorescent dyes for visualizing microplastic particles and fibers in laboratory-based studies［J］. Environmental Science & Technology Letters，2019，6（6）：334-340.

[24] MACAIRAN J R， NGUYEN B， LI F，et al. Tissue clearing to localize microplastics via three-dimensional imaging of whole organisms［J］. Environmental Science & Technology，2023，57（23）：8476-8483.

[25] WAHYUDI A， SETYOBUDI R H， ISWAHYUDI I，et al. Determination and quantification of microplastics in goat farms［J］. Bioresource Technology Reports，2025，31：102199.

[26] FRIES E， DEKIFF J H， WILLMEYER J，et al. Identification of polymer types and additives in marine microplastic particles using pyrolysis-GC/MS and scanning electron microscopy［J］. Environmental Science. Processes & Impacts，2013，15（10）：1949-1956.

[27] LUO H W， XIANG Y H， ZHAO Y Y，et al. Nanoscale infrared，thermal and mechanical properties of aged microplastics revealed by an atomic force microscopy coupled with infrared spectroscopy （AFM-IR） technique［J］. Science of the Total Environment，2020，744：140944.

[28] MOLINA-MILLÁN L， CUYPERS E， NAVARRO-MARTÍN L，et al. Mass spectrometry imaging enables detection of MPs and their effects in Daphnia magna following acute exposure［J］. Aquatic Toxicology，2025，280：107253.

[29] PRATA J C， ALVES J R， COSTA J P DA，et al. Major factors influencing the quantification of Nile Red stained microplastics and improved automatic quantification （MP-VAT 2.0）［J］. Science of the Total Environment，2020，719：137498.

[30] SIMMERMAN C B， COLEMAN WASIK J K. The effect of urban point source contamination on microplastic levels in water and organisms in a cold-water stream［J］. Limnology and Oceanography Letters，2020，5（1）：137-146.

[31] LORENZO-NAVARRO J， CASTRILLÓN-SANTANA M， SÁNCHEZ-NIELSEN E，et al. Deep learning approach for automatic microplastics counting and classification［J］. Science of the Total Environment，2021，765：142728.

[32] CAPONETTI V， MAVRIDI-PRINTEZI A， CINGOLANI M，et al. A selective ratiometric fluorescent probe for No-wash detection of PVC microplastic［J］. Polymers，2021，13（10）：1588.

[33] LEONARD J， KOYDEMIR H C， KOUTNIK V S，et al. Smartphone-enabled rapid quantification of microplastics［J］. Journal of Hazardous Materials Letters，2022，3：100052.

[34] KARKI A， THAIBA B M， SHISHIR ACHARYA K C，et al. Smartphone microscopic method for imaging and quantification of microplastics in drinking water［J］. Microscopy Research and Technique，2024，87（10）：2266-2274.

[35] LEE J J， KANG J Y， KIM C. A low-cost TICT-based staining agent for identification of microplastics：Theoretical studies and simple，cost-effective smartphone-based fluorescence microscope application［J］. Journal of Hazardous Materials，2024，465：133168.

[36] MARCOTT C， KANSIZ M， DILLON E，et al. Two-dimensional correlation analysis of highly spatially resolved simultaneous IR and Raman spectral imaging of bioplastics composite using optical photothermal Infrared and Raman spectroscopy［J］. Journal of Molecular Structure，2020，1210：128045.

[37] FALTYNKOVA A， JOHNSEN G， WAGNER M. Hyperspectral imaging as an emerging tool to analyze microplastics：A systematic review and recommendations for future development［J］. Microplastics and Nanoplastics，2021，1（1）：13.

[38] ALAM G， IHSANULLAH I， NAUSHAD M，et al. Applications of artificial intelligence in water treatment for optimization and automation of adsorption processes：Recent advances and prospects［J］. Chemical Engineering Journal，2022，427：130011.

[39] SATINET C， FOUSS F. A supervised machine learning classification framework for clothing products’ sustainability［J］. Sustainability，2022，14（3）：1334.

[40] JUNIOR R F R， DOS SANTOS AREIAS I A， CAMPOS M M，et al. Fault detection and diagnosis in electric motors using 1d convolutional neural networks with multi-channel vibration signals［J］. Measurement，2022，190：110759.

[41] KAVITHA M， GAYATHRI R， POLAT K，et al. Performance evaluation of deep e-CNN with integrated spatial-spectral features in hyperspectral image classification［J］. Measurement，2022，191：110760.

[42] CAO J Z， LI J C， HU X P，et al. Towards interpreting deep neural networks via layer behavior understanding［J］. Machine Learning，2022，111（3）：1159-1179.

[43] KUSUMA A I， HUANG Y M. Product quality prediction in pulsed laser cutting of silicon steel sheet using vibration signals and deep neural network［J］. Journal of Intelligent Manufacturing，2023，34（4）：1683-1699.

[44] YUAN X F， JIA Z Z， LI L，et al. A SIA-LSTM based virtual metrology for quality variables in irregular sampled time sequence of industrial processes［J］. Chemical Engineering Science，2022，249：117299.

[45] WANG J S， DONG J H， TANG M R，et al. Identification and detection of microplastic particles in marine environment by using improved faster R-CNN model［J］. Journal of Environmental Management，2023，345：118802.

[46] 邵延华，张铎，楚红雨，等. 基于深度学习的YOLO目标检测综述［J］. 2022（10）：3697-3708.

[47] HAO Y， WANG P， CUI M R，et al. Automatic localization and segmentation of adherent microplastics in optical micrographs based on improved YOLOv5 and adaptive perceptual UNET 3+++［J］. Biomedical Signal Processing and Control，2024，95：106399.

[48] AKKAJIT P， ALAHI M E E， SUKKUEA A. Enhanced detection and classification of microplastics in marine environments using deep learning［J］. Regional Studies in Marine Science，2024，80：103880.

[49] HAN X L， JIANG N J， HATA T，et al. Deep learning based approach for automated characterization of large marine microplastic particles［J］. Marine Environmental Research，2023，183：105829.

[50] HUANG H， CAI H W， QURESHI J U，et al. Proceeding the categorization of microplastics through deep learning-based image segmentation［J］. Science of the Total Environment，2023，896：165308.

[51] TATA G， ROYER S J， POIRION O， et al. A robotic approach towards quantifying epipelagic bound plastic using deep visual models［J/OL］. arXiv-CS-Artificial Intelligence，

[52] THANGARAJ R， ANANDAMURUGAN S， KALIAPPAN V K. Automated tomato leaf disease classification using transfer learning-based deep convolution neural network［J］. Journal of Plant Diseases and Protection，2021，128（1）：73-86.

[53] THAMMASANYA T， PATIAM S， RODCHAROEN E，et al. A new approach to classifying polymer type of microplastics based on Faster-RCNN-FPN and spectroscopic imagery under ultraviolet light［J］. Scientific Reports，2024，14（1）：3529.

[54] KUTRALAM-MUNIASAMY G， PÉREZ-GUEVARA F， ELIZALDE-MARTÍNEZ I，et al. How well-protected are protected areas from anthropogenic microplastic contamination？Review of analytical methods，current trends，and prospects［J］. Trends in Environmental Analytical Chemistry，2021，32：e00147.

[55] ZHU Z A， PARKER W， WONG A. Leveraging deep learning for automatic recognition of microplastics （MPs） via focal plane array （FPA） micro-FT-IR imaging［J］. Environmental Pollution，2023，337：122548.

[56] LEI B， BISSONNETTE J R， HOGAN Ú E，et al. Customizable machine-learning models for rapid microplastic identification using Raman microscopy［J］. Analytical Chemistry，2022，94（49）：17011-17019.

[57] AI W J， LIU S L， LIAO H P，et al. Application of hyperspectral imaging technology in the rapid identification of microplastics in farmland soil［J］. Science of the Total Environment，2022，807：151030.

[58] SHI B， PATEL M， YU D，et al. Automatic quantification and classification of microplastics in scanning electron micrographs via deep learning［J］. Science of the Total Environment，2022，825：153903.

[59] TIAN X， BEÉN F， BÄUERLEIN P S. Quantum cascade laser imaging （LDIR） and machine learning for the identification of environmentally exposed microplastics and polymers［J］. Environmental Research，2022，212（Pt D）：113569.

[60] XU J J， WANG Z L. Efficient and accurate microplastics identification and segmentation in urban waters using convolutional neural networks［J］. The Science of the Total Environment，2024，911：168696.

[61] PARK H M， PARK S， DE GUZMAN M K，et al. MP-Net：Deep learning-based segmentation for fluorescence microscopy images of microplastics isolated from clams［J］. PLoS One，2022，17（6）：e0269449.

[62] MEYERS N， DE WITTE B， SCHMIDT N，et al. From microplastics to pixels：Testing the robustness of two machine learning approaches for automated，Nile red-based marine microplastic identification［J］. Environmental Science and Pollution Research International，2024，31（52）：61860-61875.

[63] VITALI C， PETERS R J B， JANSSEN H G，et al. Quantitative image analysis of microplastics in bottled water using artificial intelligence［J］. Talanta，2024，266：124965.

[64] CABANEROS S M， CHAPMAN E， HANSEN M，et al. Automatic pre-screening of outdoor airborne microplastics in micrographs using deep learning［J］. Environmental Pollution，2025，372：125993.

基金资助

国家自然科学基金项目(22274093)