Real-time intelligent monitoring of microplastics under microscopy: An improved data strategy and YOLOv11-based approach
本研究提出了一种结合改进数据策略与 YOLOv11 架构的微塑料实时智能监测系统，旨在显著提高检测准确度、减轻操作人员疲劳，并加速复杂显微样本的筛选过程。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
肉眼难以察觉的微小塑料颗粒已成为我们水域、土壤甚至人体内普遍存在的存在。这些碎片通常比一粒沙子还要小，源自从合成纤维衣物到降解包装袋的各种物品。由于它们体积微小且数量众多，在环境样本中寻找它们是一项艰巨的任务。科学家传统上依赖光学显微镜来发现这些颗粒，这一过程需要操作员盯着屏幕，在泥土、藻类和有机碎屑构成的混乱景观中搜寻隐藏其中的少量塑料碎片。这是一项缓慢的工作，容易产生人为误差，且极度耗费视力。挑战不仅在于看到塑料，还在于如何将其与成千上万在镜头下看起来极其相似的天然微粒区分开来。
中原工业大学的一个研究小组开发了一种新方法，旨在加速这一搜索过程并减轻由此产生的疲劳感。他们创建了一个系统，可以作为科学家观察显微镜时的实时助手。该系统并非要求计算机在事后分析静态照片，而是通过观察显微镜屏幕的实时视频流进行工作。它利用一种先进的人工智能技术，在塑料颗粒出现时立即识别它们，并在其周围画出一个框，同时告诉人类操作员正在观察的对象究竟是什么。这种方法不需要更改显微镜本身，也不需要使用昂贵的化学染料；它只是将智能引导叠加在现有视图之上，将盲目搜索转变为有针对性的搜索。
该系统的核心是一个旨在学习微塑料外观的计算机程序。研究人员面临着一个重大障碍：训练计算机区分微小塑料片与尘埃或藻类纤维非常困难，因为它们的形状和纹理往往非常相似。为了解决这个问题，团队不仅向计算机输入了数千张塑料的照片，还向其展示了数千张真实水样中背景杂质的照片，从而教会系统哪些内容应该被忽略。他们还使用了模拟不同光照条件和角度的技术，确保计算机能够识别出无论是明亮、黑暗还是扭曲状态下的塑料纤维。这种精心的准备使系统能够学习区分塑料与自然物质的细微特征，即使是在杂乱的真实样本中也是如此。
在测试了多个版本的检测软件后，研究人员发现一种被称为 YOLOv11m 的特定模型在速度和准确性之间达到了最佳平衡。该模型足够轻量，可以在标准计算机硬件上快速运行，同时也足够强大，能够捕捉到微小的目标。在测试中，该系统成功识别了三种主要的塑料形状：纤维、碎片和颗粒。当该系统应用于来自湖泊和污水处理厂的实际水样时，证明了其卓越的有效性。它仅需三秒多一点的时间就能定位一个塑料颗粒，而此前人类操作员平均需要近九秒。更重要的是，该系统漏掉的目标远少于仅靠人眼观察的情况，将遗漏颗粒的比例从总数的一半降低到了仅为 15%。
该系统不仅限于简单的检测，还能提供有用的测量数据。一旦发现颗粒，它就能实时计算其大小和形状。对于直线段，它直接测量长度；对于难以测量的卷曲纤维，系统会追踪物体的中心线以确定其真实的延伸长度。这些信息会即时显示在屏幕上，让操作员无需停止操作或进行手动计算，即可清晰地看到颗粒的身份和尺寸。整个过程几乎没有延迟，这意味着当操作员移动显微镜载物台时，屏幕上的图像也会同步更新。
这项工作代表了使环境监测更加高效和可靠的重要一步。通过将智能数据策略与快速检测算法相结合，研究人员创建了一个帮助人类工作得更快、更准确的工具。该系统并非取代科学家，而是承担了扫描和分类等繁琐工作，让专家能够专注于确认发现并分析数据。这种人类观察与机器智能之间的协作，为追踪微塑料的扩散提供了一种实用且低成本的解决方案，无需复杂的硬件或破坏性的化学处理，即可更清晰地了解环境中的污染水平。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。