人工智能驱动的图像识别技术在微塑料检测中的研究进展.pdfVIP

第４６卷第３期吉林师范大学学报(自然科学版)Ｖｏｌ.４６ꎬＮｏ.３

２０２５年８月ＪｏｕｒｎａｌｏｆＪｉｌｉｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)Ａｕｇ.ꎬ２０２５

ｄｏｉ:１０.１６８６２/ｊ.ｃｎｋｉ.ｉｓｓｎ１６７４￣３８７３.２０２５.０３.０１５

人工智能驱动的图像识别技术

在微塑料检测中的研究进展

１ꎬ２１３

杨春维ꎬ刘明俊ꎬ王乾

(１.吉林师范大学吉林省新污染物识别与控制重点实验室ꎬ吉林四平１３６０００ꎻ

２.吉林师范大学吉林省高校环境材料与污染控制重点实验室ꎬ吉林四平１３６０００ꎻ

３.大连市生态环境事务服务中心ꎬ辽宁大连１１６０００)

摘要:深入分析对比了决策树、随机森林等机器学习模型与卷积神经网络等深度学习模型技术在图像识别

检测微塑料中的研究和应用进展ꎬ发现上述算法面临着数据稀缺、泛化能力弱及场景适应性差等瓶颈问题.

针对这些问题ꎬ融合计算机视觉与传统分析技术ꎬ建立协同分析框架、构建多介质标准化图像数据库ꎬ突破数

据壁垒ꎬ以及开发轻量化自适应算法ꎬ提升野外部署效能ꎬ以期成为未来该领域重要的发展方向.从而为微塑

料智能监测技术的实用化转型提供理论支撑与关键技术路径.

关键词:微塑料ꎻ图像识别ꎻ计算机视觉ꎻ人工智能

中图分类号:Ｘ８３２文献标志码:Ａ文章编号:１６７４￣３８７３￣(２０２５)０３￣０１０４￣０６

０引言

微塑料(５ｍｍ)作为全球性污染物ꎬ已广泛分布于海洋、土壤及大气中ꎬ并通过生物摄食和食物链

[１]

富集对人体健康造成了威胁ꎬ其毒性效应包括免疫抑制、内分泌紊乱及器官损伤等.目前ꎬ目视法和

光谱法是微塑料检测的主流技术ꎬ但两者均存在显著局限性.目视法识别高度依赖微塑料物理特征ꎬ识

[２]

别误差率高ꎬ检测效率低且无法提供化学信息.光谱法中ꎬ傅里叶红外光谱易受颗粒干扰且检测模式

[３][４]

存在固有缺陷.拉曼光谱虽具有更高的灵敏度却存在荧光噪声和高成本问题ꎬ且两者在复杂环境

下均有一定的误判风险.此外ꎬ传统检测方法过于依赖人工操作与专业设备ꎬ难以实现高通量检测.近年

来ꎬ人工智能技术发展为突破上述瓶颈提供了新路径ꎬ基于图像识别的算法通过训练显微图像数据集ꎬ

可自动识别微塑料形态与粒径分布ꎬ显著降低识别误差率ꎬ为相关的研究提供了有力的科研工具.

近年来ꎬ图像识别技术发展迅猛ꎬ已在环境科学领域尤其是微塑料分析中展现出了重要的应用价

[５]

值.通过结合高分辨率成像设备与先进算法ꎬ研究者能够高效识别复杂环境样本中的微塑料颗粒ꎬ一

[６]

定程度上克服传统检测方法的局限性.在技术路径上ꎬ机器学习算法凭借其强大的数据拟合能力ꎬ基

于人工特征设计或浅层特征学习ꎬ已实现微塑料的初步分类与粒径筛选.然而面对复杂环境样本中的微

[７]

塑料的形态多样性及化学异质性ꎬ传统机器学习方法在特征表达和泛化性能上存在局限.深度学习

作为机器学习的重要分支ꎬ通过引入多层神经网络ꎬ以端到端方式自动提取多尺度抽象特征ꎬ有效解决

了传统方法特征表达能力有限的核心问题(表１).

收稿日期:２０２５￣０６￣２１

基金项目:吉林省发展与改革委员会项目(２０２３Ｃ０３２￣５)ꎻ吉林省科技发展计划项目(２０２３１０１２１３ＪＣ)

第一作者简介:杨春维(１９７６—)ꎬ男ꎬ辽宁省辽阳市人ꎬ教授ꎬ博士ꎬ博士生导师.研究方向:水污