用戶文章 | 面陣列紅外成像技術結合自適應深度學習AI，輕松破解微塑料識別

更新時間：2026-03-13 點擊次數：61

用戶文章

PNAS

文章題目：Adaptable microplastic classification using similarity learning on μFTIR spectra collected from μFTIR focal plane array imaging

發表期刊：PNAS

研究單位：德克薩斯農工大學化學系合成生物交互實驗室、德克薩斯農工大學地質與地球物理系

研究技術：面陣列紅外顯微鏡

樣本類型：微塑料、河流底部泥沙

微塑料污染早已成為環境與健康領域的重大挑戰，從自然環境到人體組織，這種粒徑1µm至5mm的微小污染物無處不在，而快速、準確的識別與分類，是開展微塑料研究和污染治理的核心前提。紅外顯微鏡是微塑料定性分析的黃金手段，但實際檢測中，樣品的背景噪聲、復雜基質干擾，以及新聚合物類型的不斷出現，傳統的檢測手段和常規機器學習算法早已力不從心，往往難以準確識別，導致誤判或漏檢。

2025年9月，德克薩斯農工大學研究團隊發表于《PNAS》期刊的一項重磅研究為紅外顯微鏡微塑料定性分析帶來了全新解決方案：?深度學習+相似性學習+布魯克面陣列紅外成像技術?的強強聯合！這一組合不僅帶來了超高的定性準確率，更賦予了整個分析流程的?適應性?、?抗干擾性?和?前瞻性?。

布魯克面陣列紅外成像技術在此項研究中的核心價值

本項研究實現技術突破的關鍵支撐，是?布魯克面陣列紅外成像系統?高效生成的高通量、高質量光譜數據，并通過與AI算法的結合，賦予了儀器“學習"與“判斷"的能力。也再次印證了布魯克在微塑料紅外檢測領域的技術性。

高效率光譜采集：? 研究使用?布魯克面陣列紅外顯微鏡LUMOS II ?，在透射模式下快速采集紅外光譜。?每次掃描可以獲取32x32像素（1024條紅外光譜）?，僅需數十分鐘即可掃描整個沉積了微塑料的濾膜區域，為模型訓練與分析提供了海量的原始數據。這遠遠超越了傳統單點檢測的速度，為后續智能模型的應用奠定了堅實的數據基礎。

復雜樣品處理能力：? 該技術既能分析沉積在?潔凈濾膜?上的人造微塑料樣品，也能挑戰更具現實意義的、包含大量外源背景物質（如河床沉積物分離后的殘留物）的 ?“高背景"樣本?。這充分證明了布魯克面陣列紅外成像系統在復雜基質中獲取微塑料高質量可靠光譜信號的能力。
?構建高質量數據集：? 通過設計多腔室濾膜夾，研究人員可在一塊濾膜的不同區域同時分析多達12種不同的微塑料樣品，?避免了交叉污染并極大提升了樣品處理通量?，讓大規模樣品的標準化檢測成為可能。配合自動化處理與物像分割技術（如Voronoi剖分），最終從45種來源的微塑料中收集了?超過25萬條紅外光譜?，為深度學習模型提供了優質且規模巨大的訓練和驗證集。

圖1 定制設計的多通道過濾支架，每種微塑料樣品對應一個通道

正是得益于布魯克面陣列紅外成像技術在?高效、高質量、高通量數據采集?方面的突出優勢，后續基于相似性學習的深度學習模型才能展現出驚艷的性能。

核心亮點

本次研究的亮點，并非簡單的“AI識別"，而是針對微塑料分析的特殊挑戰，創新性地將相似度學習與一維卷積神經網絡結合，并依托布魯克的面陣列紅外成像系統，實現了多方面的突破：

亮點一：的“適應性"

?真實樣品的高背景挑戰：? 真實的微塑料樣品常被有機殘留物、粘土等環境背景信號嚴重干擾，導致傳統光譜分析方法的準確度大幅下降。
?AI解決方案：? 深度卷積神經網絡（CNN）僅使用“?潔凈濾膜?"上獲取的微塑料光譜進行“?相似性學習?"訓練。在訓練過程中，模型學習到如何生成能使同類微塑料光譜聚集、不同類微塑料光譜分離的“?特征嵌入向量（Embedding）?"。

圖2 紅外光譜嵌入式相似性學習模型生成過程和微塑料聚類分離效果

驚人的實戰表現：? 當這個僅在“理想狀態"下訓練過的模型，面對從未學習過的、充滿復雜背景的“高背景"樣品光譜時，?分類準確率依然高達0.9 F1分數（LDA算法），遠超傳統機器學習和常規深度學習算法?。這證明了布魯克LUMOS II 面陣列紅外顯微鏡提供的高質量光譜，結合相似性學習模型，具備強大的?抗干擾能力和自適應能力?，無需針對每種污染場景重新訓練。

圖3 開放集識別對未知塑料和非塑料的分離效果

亮點二：開放的“未知物識別"能力

?現實痛點：? 傳統分類模型只能從它“認識"（訓練過）的塑料類別里挑選答案。遇到新型塑料或非塑料顆粒（如棉纖維、昆蟲碎片等），往往會強制給出錯誤分類，導致誤判。但微塑料種類繁多，實驗室數據庫往往無法覆蓋所有類型。
AI的創新解法：? 相似性學習形成的?嵌入空間具有清晰的集群結構?。通過設定一個簡單的距離或概率閾值，模型可以?可靠地識別并標記出那些遠離所有已知類別集群的數據點?，將其歸為“未知"或“其他"類別，解決了傳統分類模型易誤判的行業痛點，從而實現了?開放集識別?。
?打破識別邊界：? 這意味著實驗室的分析能力不再是固定的列表。模型能夠?主動報告環境樣品中可能存在的、超出預期的新塑料或污染?，為進一步的研究提供了關鍵線索。

亮點三：靈活高效的光譜庫擴展與“少樣本學習"潛力?

克服數據壁壘：? 收集涵蓋所有潛在塑料種類的光譜庫是昂貴且幾乎不可能完成的任務。
?AI的獨特路徑：? 相似性學習模型只需學習如何“分辨光譜"，而不是“死記硬背"所有類別。增加一個新塑料類別，?僅需少量（甚至幾個）其參考光譜放入嵌入空間作為“錨點"?，下游分類器便能有效識別。?無需對整個復雜的深度學習模型進行重新訓練?。
?節約成本，適應未來：? 這不僅大大降低了數據采集的成本與時間，也為微塑料分析數據庫隨著時間迭代與擴展提供了一條極其靈活和經濟的路徑。

結論

邁向自動化、智能化的下一代微塑料分析方案

本研究通過結合?布魯克強大的面陣列紅外成像硬件系統?與前沿的?深度學習相似性學習算法?，構建了一個在準確度、穩健性和適應性方面均表現的微塑料智能分析框架。它代表了一種范式的轉變：

從 ?“費力的人工比對或脆弱的譜庫搜索"?，轉向 ?“基于高質量大數據和智能算法的、適應真實復雜環境樣品問題的、且能自我演進的自動化分析解決方案"?。

此次研究的突破，不僅驗證了相似度學習在微塑料光譜分析中的巨大潛力，更彰顯了布魯克在紅外光譜技術領域的深厚積淀─以的儀器性能，賦能科研人員突破技術瓶頸，為微塑料污染的精準監測和治理提供更高效、更可靠的分析工具。