Les ultrasons haute fréquence combinés à l’apprentissage profond permettent d’identifier et d’estimer la taille des microplastiques

Pourquoi de petits fragments plastiques nous concernent tous

Le plastique se fragmente en particules si petites qu’on ne peut pas les voir, et pourtant elles apparaissent désormais dans les océans, le sol, l’air et même à l’intérieur des organes humains. Suivre ces « microplastiques » est essentiel pour comprendre comment ils se propagent dans l’environnement et quels effets ils peuvent avoir sur la santé. Mais les analyses de laboratoire actuelles sont lentes, coûteuses et difficiles à déployer hors des environnements contrôlés. Cette étude explore une méthode plus rapide et non destructive pour détecter et mesurer les microplastiques en utilisant des ondes sonores et l’intelligence artificielle, ouvrant la voie à une surveillance en temps réel dans les rivières, les lacs et les stations d’épuration.

Écouter le plastique avec le son

Plutôt que d’éclairer les particules, les chercheurs ont utilisé des ultrasons à haute fréquence — des ondes sonores bien au‑delà de la perception humaine — pour sonder de petites sphères fabriquées dans différents plastiques et matériaux de référence. Lorsqu’une impulsion ultrasonore frappe une particule, une partie du son est dispersée vers le détecteur. Le motif exact de cet écho dépend de la taille de la particule et de sa composition, notamment de sa densité et de sa rigidité. En opérant à des fréquences comparables à la taille des particules, l’équipe s’est assurée que les échos de retour contenaient des signatures riches et distinctes codant à la fois le type de matériau et la taille.

Des échos bruts aux particules étiquetées

Pour transformer cette idée en système opérationnel, l’équipe a inclus des microsphères plastiques (PE et PMMA) et non plastiques (verre et acier) dans un gel souple qui simule l’eau. Un seul transducteur ultrasonore a scanné l’échantillon point par point, collectant un bloc de données tridimensionnel : deux directions spatiales plus le temps. Un algorithme personnalisé d’« extraction de pics » a ensuite parcouru ce bloc pour trouver les échos les plus forts, correspondant aux particules individuelles. Chaque écho détecté a été recoupé avec des images microscopiques correspondantes pour confirmer que l’algorithme ciblait bien des particules isolées plutôt que du bruit ou des agrégats, atteignant une précision de détection d’environ 96 %.

Apprendre aux ordinateurs à reconnaître le plastique

Une fois les échos spécifiques aux particules isolés, les chercheurs ont analysé les signaux à la fois dans le domaine temporel et fréquentiel. Ils ont calculé un ensemble de caractéristiques numériques simples — par exemple la dispersion des fréquences du signal et l’endroit où se concentre la majeure partie de son énergie. Ces caractéristiques différaient de manière typique selon les matériaux. L’équipe a formé plusieurs modèles d’apprentissage automatique classiques sur ces caractéristiques et a également construit un réseau de neurones convolutionnel unidimensionnel (1D‑CNN) qui a appris des motifs directement à partir des données fréquentielles brutes. Dans de nombreux tests, le CNN a obtenu les meilleures performances, identifiant correctement le matériau des particules individuelles avec une précision moyenne d’environ 97 % au niveau des particules, même dans des échantillons mixtes contenant plusieurs matériaux simultanément.

Mesurer la taille autant que le type

Au‑delà de la distinction des matériaux, la méthode permet aussi d’estimer la taille de chaque particule. La forme du spectre ultrasonore diffusé en retour s’étire de manière prévisible lorsque le diamètre des particules change. Pour capturer cela, les chercheurs ont entraîné de petits réseaux de neurones appelés perceptrons multicouches, un par matériau, pour classer les particules en quatre plages de taille allant d’environ 20 micromètres jusqu’à environ 300 micromètres. Ces modèles ont atteint une précision moyenne supérieure à 99 %, avec des performances quasi parfaites pour la plupart des matériaux. Fait important, toutes les données d’entraînement et de test ont été séparées au niveau des particules, garantissant que les modèles ont été testés sur des particules qu’ils n’avaient jamais « vues » auparavant.

Vers une surveillance opérationnelle

Bien que les expériences actuelles aient utilisé des particules stationnaires emmaillotées dans du gel, l’approche sous‑jacente est bien adaptée aux systèmes à eau courante. Le matériel ultrasonore est compact et la chaîne d’analyse peut traiter plus d’un millier de signaux par seconde, assez rapidement pour suivre des écoulements continus. Les principaux défis restants concernent la détection de très petites particules produisant des échos faibles et la prise en charge des zones denses où les particules se chevauchent. Néanmoins, l’étude montre que les ultrasons haute fréquence, associés à des outils d’IA modernes, peuvent agir comme un « sonar pour microplastiques », identifiant rapidement leur composition et leur taille sans recourir à des produits chimiques ni à des optiques complexes.

Ce que cela change pour la vie quotidienne

Pour les non‑spécialistes, le message clé est que nous pourrions bientôt disposer d’outils capables de suivre les microplastiques en temps réel plutôt que seulement après des analyses de laboratoire longues. Cela pourrait aider à tracer la pollution provenant des usines, des stations d’épuration ou des ruissellements pluviaux, et fournir aux régulateurs et aux communautés de meilleures données sur l’accumulation des plastiques. En écoutant la façon dont de petites particules diffusent le son, cette méthode offre une voie pratique vers la surveillance et, ultimement, la gestion d’une des formes de pollution moderne les plus répandues.

Citation: 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

Mots-clés: microplastiques, détection par ultrasons, apprentissage profond, surveillance environnementale, analyse de la taille des particules