高频超声结合深度学习实现微塑料的识别与尺寸估算

为什么微小塑料碎片与我们息息相关

塑料会分解成肉眼无法看见的微小颗粒，但这些颗粒已出现在海洋、土壤、空气，甚至人体器官中。追踪这些“微塑料”对于理解它们如何在环境中迁移以及可能对健康产生的影响至关重要。然而，目前的实验室检测既缓慢又昂贵，且难以在受控环境之外部署。本研究探索了一种更快、无损的方法，利用声波和人工智能来识别和测量微塑料，为在河流、湖泊和处理厂中进行实时监测打开了可能性。

用声波“聆听”塑料

研究者没有用光照射颗粒，而是使用高频超声——远超人耳听觉范围的声波——来探测由不同塑料和参考材料制成的微小球体。当超声脉冲遇到颗粒时，一部分声波会向探测器反向散射回来。回波的具体模式取决于颗粒的尺寸及其材料属性，包括密度和刚性。通过在与颗粒尺度相近的频率下工作，研究团队确保返回的回波携带丰富且可区分的特征，既编码了材料类型也编码了尺寸信息。

从原始回波到带标签的颗粒

为了将这一想法转化为可用系统，团队将塑料（PE 和 PMMA）及非塑料（玻璃和钢）微球嵌入模拟水环境的柔软凝胶中。单个超声换能器逐点扫描样品，采集出一个三维数据块：两个空间方向加上时间维度。然后自定义的“峰值提取”算法在该数据块中搜索最强的回波，这些回波对应单个颗粒。每个检测到的回波都通过与显微镜图像比对进行交叉校验，以确认算法确实锁定的是单个颗粒而非噪声或团块，检测准确率约为96%。

教计算机识别塑料

将针对颗粒的回波分离出来后，研究者在时域和频域上分析这些信号。他们计算了一组简单的数值特征——例如信号频率分布的宽度和能量集中位置等。这些特征在不同材料间表现出特征性差异。团队在这些特征上训练了若干标准机器学习模型，并构建了一个一维卷积神经网络（1D-CNN），直接从原始频谱数据中学习模式。在多次测试中，CNN表现最佳，在单颗粒级别正确识别材料的平均准确率约为97%，即便在包含多种材料的混合样品中也能保持高效识别。

不仅识别类型，还能测量尺寸

该方法除区分材料外，还能估算每个颗粒的尺寸。回散超声频谱的形状会随着颗粒直径变化而以可预测的方式拉伸。为此，研究者为每种材料训练了小型神经网络（多层感知器），将颗粒分入四个尺寸范围，大约从20微米到约300微米。这些模型的平均准确率超过99%，多数材料的表现接近完美。重要的是，所有训练和测试数据在颗粒层面上是分离的，确保模型在测试时确实面对的是此前未“见过”的颗粒。

迈向真实环境监测的步骤

尽管当前实验使用的是嵌入凝胶中的静止颗粒，但该方法的基本原理非常适合流动水系统。超声硬件体积小巧，分析流程能以超过每秒一千个信号的速度处理数据，足以跟上连续流动样本的节奏。剩下的主要挑战包括探测回波微弱的极小颗粒，以及处理颗粒重叠导致的拥挤区域。不过，研究表明，高频超声配合现代人工智能可以像“微塑料声纳”一样快速识别颗粒的材料和尺寸，无需化学试剂或复杂光学装置。

这对日常生活意味着什么

对非专业读者而言，关键的信息是我们可能很快拥有能够实时监视微塑料的工具，而不再仅依赖缓慢的实验室检测。这可以帮助追踪来自工厂、污水处理厂或暴雨径流的污染，为监管机构和社区提供更好的数据，了解塑料在哪里累积。通过倾听微小颗粒散射声波的方式，这种方法为监测并最终管理现代最普遍的污染形式之一提供了一条可行路线。

引用: 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

关键词: 微塑料, 超声传感, 深度学习, 环境监测, 颗粒尺寸分析