第一作者：Seunghyeon Lee
通讯作者：Kyung Hwa Cho
DOI:https://doi.org/10.1016/j.watres.2023.120710
文字摘要
为了对水体系统中的微塑料（MPs）进行分类，通常需要通过光谱分析进行多种预处理过程，例如，为去除微塑料上的天然有机物质（NOM）而采用的氧化过程，往往耗时且成本较高。此外，由于操作员的主观判断，识别过程容易出现误差。因此，在本研究中，我们应用深度学习（DL）技术，以提高微塑料与天然有机物混合物（MP-NOM）分类的准确性。我们采用了一种基于卷积神经网络（CNN）的深度学习模型，并结合空间注意力机制，通过拉曼光谱对物质进行分类。随后，将分类结果与传统拉曼光谱库软件的结果进行比较，以评估该模型的适用性。此外，我们通过应用梯度加权类激活映射（Grad-CAM）作为后处理技术，研究了训练深度学习模型的关键光谱波段。结果显示，该模型的分类准确率达到99.54%，远高于拉曼光谱库软件的31.44%。Grad-CAM分析进一步验证了该深度学习模型能够有效识别拉曼光谱中微塑料的显著峰值。此外，通过追踪独特的光谱特征，而不仅仅依赖于视觉上显著的峰值，我们能够准确分类那些峰值不太显著但具有高强度标准偏差的微塑料。这些发现表明，在无需进行NOM预处理的情况下，实现微塑料的自动化和客观分类是可行的，这为未来微塑料分类研究指明了一个有前途的方向。
图片摘要
Highlights
深度学习模型的准确性超过了拉曼光谱库。
深度学习模型在不去除天然有机物的情况下分类（微塑料与自然有机物）混合物。
深度学习模型客观地自动分类了微塑料的拉曼光谱。
后处理技术自动可视化了影响分类的光谱波段。
关键字：
Deep learning model; Raman spectrum; Microplastics; Natural organic matter; Automatic identification
首先，选择目标微塑料和天然有机物并将其制备为拉曼光谱测量的样品。
随后，从制备的样品中获取拉曼光谱数据并将其用作 DL 模型的输入数据。
最后，使用拉曼光谱库进行 MP 分类以生成比较组，以验证 DL 模型的性能。
图1 使用所提深度学习模型对微塑料、天然有机物及其混合物进行分类的流程: (a) 拉曼实验。(b) 卷积神经网络与空间注意力层的结构。(c) 空间注意力层的结构。(d) 梯度加权类激活映射的结构。
convolutional neural network (CNN) 模型，该模型包含两个 convolutional layers、两个 batch normalization layers、三个 rectified linear unit (ReLU) 层、一个 max pooling layer、两个 dropout layers、两个 fully connected layers 和一个 softmax layer（图1b）。Convolutional layers使用滤波器在输入数据上移动以提取重要特征。Batch normalization用于通过设置更高的学习率来提高训练效率）。ReLU layer是一种典型的激活函数，如果输入值为正或零，则输出该输入值；如果输入值为负，则输出零。它可以缓解梯度消失问题，从而防止训练数据收敛到特定值。Max pooling layer在提取批次中最重要的值的同时减少了层的大小。Dropout layer在训练神经网络时随机中断训练，防止学习偏向某些特定值。Fully connected layer映射并计算通过前几层提取的所有特征。最后， softmax layer将前面的fully connected layers计算得到的向量作为输入，并输出输入数据属于29个类别中的每一个类别的估计概率。
为了增强模型的性能，作者在 CNN 模型中加入了一个 spatial attention module（图1c）。
深度学习模型结果解释
gradient-weighted class activation mapping (Grad-CAM)，以量化显著影响分类结果的光谱成分，并解释具有相似形状的光谱为何会被分类为不同的物质（图1d）。因此，获得了一个带有 Grad-CAM 机制的 CNN 模型，该模型为决策过程提供了视觉解释。本文提出的卷积神经网络模型被证实能够产生客观分类结果的能力，其准确率明显高于光谱库
使用 Grad-CAM 解释 DL 模型
图7.使用深度学习模型对微塑料混合物和天然有机物进行分类时，通过Grad-CAM得到的显著光谱带：（a）聚苯乙烯/海藻酸钠盐，（b）聚苯乙烯/单宁酸，（c）聚乙烯/牛血清白蛋白，（d）聚乙烯/海藻酸钠盐。蓝色条表示相对重要性；颜色越深，重要性越高。红色向下箭头表示峰值。黑线和红色箭头代表每种物质的平均拉曼光谱和特征峰。
点击“原文链接”，查看论文
声明：本公众号分享的前沿学术成果来源于各学术网站，不依法享有其所有权。若原作者发现本次分享中的文字及图片涉及侵权，请立刻联系公众号后台或发送邮件，我们将及时修改或删除！
邮箱：environmodel@sina.com
若您认为有用，欢迎
将Environmodel设为星标，或
点击“在看”或“分享”给他人
