Hochfrequenter Ultraschall kombiniert mit Deep Learning ermöglicht Identifikation und Größenschätzung von Mikroplastik

Warum winzige Plastikpartikel uns alle betreffen

Plastik zerfällt zu Partikeln, die so klein sind, dass wir sie nicht sehen können – und doch tauchen sie inzwischen in Ozeanen, Böden, in der Luft und sogar in menschlichen Organen auf. Mikroplastik zu verfolgen ist entscheidend, um zu verstehen, wie es sich in der Umwelt bewegt und welche Auswirkungen es auf die Gesundheit haben könnte. Die heutigen Labortests sind jedoch langsam, teuer und schwer außerhalb kontrollierter Umgebungen einsetzbar. Diese Studie untersucht eine schnellere, nicht-destruktive Methode, mit Schallwellen und künstlicher Intelligenz Mikroplastik zu erkennen und zu messen und ebnet so den Weg für Echtzeitüberwachung in Flüssen, Seen und Kläranlagen.

Plastik mithilfe von Schall aufspüren

Anstatt Partikel mit Licht zu beleuchten, verwendeten die Forschenden hochfrequenten Ultraschall – Schallwellen weit oberhalb des menschlichen Hörbereichs –, um winzige Kugeln aus verschiedenen Kunststoffen und Referenzmaterialien zu untersuchen. Wenn ein Ultraschallimpuls auf ein Partikel trifft, streut ein Teil des Schalls zurück zum Detektor. Das genaue Echo-Muster hängt von der Partikelgröße und dem Material ab, einschließlich Dichte und Steifigkeit. Durch den Betrieb bei Frequenzen, die der Partikelgröße ähneln, stellten die Forschenden sicher, dass die zurückkehrenden Echos reichhaltige, unterscheidbare Signaturen enthielten, die sowohl Materialtyp als auch Größe codieren.

Von Roh-Echos zu gelabelten Partikeln

Um diese Idee in ein funktionierendes System zu überführen, bettete das Team Kunststoff- (PE und PMMA) und Nicht-Kunststoff- (Glas und Stahl) Mikrokugeln in ein weiches Gel ein, das Wasser nachahmt. Ein einzelner Ultraschallwandler tastete die Probe Punkt für Punkt ab und sammelte einen dreidimensionalen Datenblock: zwei räumliche Richtungen plus Zeit. Ein maßgeschneiderter "Peak-Extraction"-Algorithmus durchkämmte diesen Block und fand die stärksten Echos, die einzelnen Partikeln entsprechen. Jedes erkannte Echo wurde mit passenden Mikroskopbildern abgeglichen, um zu bestätigen, dass der Algorithmus wirklich einzelne Partikel und nicht Rauschen oder Klumpen erfasste – mit einer Detektionsgenauigkeit von etwa 96 Prozent.

Computern beibringen, Plastik zu erkennen

Sobald die partikel-spezifischen Echos isoliert waren, betrachteten die Forschenden die Signale sowohl zeit- als auch frequenzseitig. Sie berechneten eine Reihe einfacher numerischer Merkmale – etwa wie breit das Frequenzspektrum verteilt ist und wo der Großteil der Energie liegt. Diese Merkmale unterschieden sich charakteristisch zwischen den Materialien. Das Team trainierte mehrere gängige Machine-Learning-Modelle mit diesen Merkmalen und baute außerdem ein eindimensionales Faltungsnetzwerk (1D-CNN), das Muster direkt aus den rohen Frequenzdaten lernte. In zahlreichen Tests schnitt das CNN am besten ab und identifizierte das Material einzelner Partikel mit einer durchschnittlichen Partikelgenauigkeit von etwa 97 Prozent, selbst in gemischten Proben mit mehreren Materialien gleichzeitig.

Größe messen ebenso wie Typ

Über die Unterscheidung der Materialien hinaus kann die Methode auch die Größe jedes Partikels schätzen. Die Form des rückgestreuten Ultraschallspektrums dehnt sich auf vorhersehbare Weise, wenn sich der Partikeldurchmesser ändert. Um das abzubilden, trainierten die Forschenden kleine neuronale Netze, sogenannte Multilayer Perceptrons, jeweils eines pro Material, um Partikel in vier Größenbereiche von etwa 20 Mikrometern bis rund 300 Mikrometern einzuordnen. Diese Modelle erreichten eine durchschnittliche Genauigkeit von über 99 Prozent, mit nahezu perfekter Leistung für die meisten Materialien. Wichtig ist, dass alle Trainings- und Testdaten auf Partikelebene getrennt waren, sodass die Modelle wirklich an Partikeln getestet wurden, die sie zuvor nicht "gesehen" hatten.

Schritte in Richtung Echtwelt-Überwachung

Obwohl die aktuellen Experimente stationäre Partikel im Gel verwendeten, eignet sich der zugrunde liegende Ansatz gut für strömende Wassersysteme. Die Ultraschall-Hardware ist kompakt, und die Analyse-Pipeline kann über tausend Signale pro Sekunde verarbeiten, schnell genug für kontinuierliche Ströme. Die verbleibenden Hauptherausforderungen betreffen die Detektion sehr kleiner Partikel mit schwachen Echos und die Handhabung dichter Bereiche, in denen Partikel überlappen. Dennoch zeigt die Studie, dass hochfrequenter Ultraschall kombiniert mit moderner KI wie ein „Sonar für Mikroplastik“ wirken kann, das schnell Material und Größe bestimmt, ganz ohne Chemikalien oder komplexe Optik.

Was das für den Alltag bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft, dass wir bald Werkzeuge haben könnten, die Mikroplastik in Echtzeit beobachten – statt nur nach langsamer Laborarbeit. Das könnte helfen, Verschmutzung aus Fabriken, Kläranlagen oder Regenabfluss zu verfolgen und Regulierungsbehörden sowie Gemeinden bessere Daten darüber zu liefern, wo sich Plastik ansammelt. Indem man zuhört, wie winzige Partikel Schall streuen, bietet diese Methode einen praktischen Weg zur Überwachung und letztlich zum Management einer der verbreitetsten Formen moderner Verschmutzung.

Zitation: Zarrabi, N., Strohm, E.M., Rezvani, H. et al. High-frequency ultrasound combined with deep learning enables identification and size estimation of microplastics. npj Emerg. Contam. 2, 9 (2026). https://doi.org/10.1038/s44454-026-00029-1

Schlüsselwörter: Mikroplastik, Ultraschallsensorik, Deep Learning, Umweltüberwachung, Partikelgrößenanalyse