DOI: https://doi.org/10.1016/j.hazadv.2026.101343
تاريخ النشر: 2026-06-28
المؤلف: Leonard Saur وآخرون
الموضوع الرئيسي: الميكروبلاستيك وتلوث البلاستيك
نظرة عامة
تتناول هذه الدراسة التحديات المتعلقة بالكشف وتصنيف الميكروبلاستيك في المياه، خاصة بسبب خصائصها المتنوعة وقيود الطرق البصرية التقليدية. تعيق تقنيات الطيف التقليدية بسبب امتصاص الماء القوي للأشعة تحت الحمراء، بينما تتطلب العديد من الطرق البصرية الناشئة عينات شفافة. للتغلب على هذه المشكلات، يقترح المؤلفون إطار تصنيف منهجي يستخدم استقطاب الانعكاس الخلفي بزاوية 120° مع التعلم العميق لتحديد البوليمرات الشائعة مثل بولي إيثيلين عالي الكثافة (HDPE)، وبولي إيثيلين منخفض الكثافة (LDPE)، وبولي بروبيلين (PP) مباشرة في الماء. تم تصميم هذه الطريقة لتحليل الجسيمات غير الشفافة وغير المنتظمة الشكل التي لا تظهر ميزات سطحية مميزة تحت الإضاءة القياسية.
تم التحقق من صحة الإطار باستخدام مجموعة بيانات تحتوي على 600 قطعة ميكروبلاستيك، وتم تقديم حلقة مراجعة تغذية راجعة لتعزيز جودة البيانات من خلال تحديد وإزالة القيم الشاذة، مما يثبت تدريب النموذج ويحسن التعميم. تقيم الدراسة مساهمات زاوية الاستقطاب الخطي ودرجة الاستقطاب الخطي في عملية التصنيف، محققة دقة اختبار متوسطة تبلغ 83% من خلال بنية دمج متأخرة تجمع بين هذه الإشارات. من الجدير بالذكر أن تحليل تسلسل الميزات يكشف أن الشبكة العصبية التلافيفية تعتمد على أنسجة الاستقطاب الداخلية المرتبطة بالميكروهيكل للجسيمات، بدلاً من الاعتماد على ملامحها الكبيرة. تؤدي إزالة المعلومات الهيكلية الداخلية إلى انخفاض كبير في دقة التصنيف، مما يبرز قدرة النظام على استخراج الميزات الداخلية المعتمدة على الاستقطاب التي لا يمكن الوصول إليها من خلال طرق التصوير التقليدية التي تعتمد فقط على الكثافة.
مقدمة
تُعرف الميكروبلاستيك (MPs) بأنها جزيئات بلاستيكية أصغر من 5 مم، وقد ظهرت كملوثات بيئية كبيرة توجد في أنظمة مائية متنوعة حول العالم. تنشأ من مصدرين رئيسيين: الميكروبلاستيك الأولية المصنعة عمدًا والميكروبلاستيك الثانوية الناتجة عن تحلل العناصر البلاستيكية الأكبر. يثير تناول الميكروبلاستيك من قبل الكائنات المائية مخاوف بشأن النقل الغذائي والمخاطر المحتملة على صحة الإنسان، والتي تشمل الإجهاد التأكسدي والالتهاب. وقد حددت النتائج الأخيرة وجود الميكروبلاستيك في التسريبات الطبية، مما يبرز الحاجة إلى تحسين طرق المراقبة لتقييم وجودها في البيئات السريرية والمائية.
تواجه التقنيات التحليلية الحالية للكشف عن الميكروبلاستيك قيودًا، خاصة في المراقبة في الموقع، حيث يمكن أن تؤثر الطرق التقليدية على خصائص الجسيمات وتدخل التلوث. تقدم هذه الدراسة نظام تصوير قطبي يعتمد على الانعكاس مصمم للتعرف في الموقع على الميكروبلاستيك في الماء. من خلال استخدام هندسة انعكاس بزاوية 120°، يهدف النظام إلى التغلب على التحديات التي تطرحها الطرق الحالية، مثل مطيافية الأشعة تحت الحمراء التحويلية ومطيافية رامان، التي تعيقها امتصاص الماء وتداخل الفلورية، على التوالي. تستفيد الطريقة المقترحة من شبكة عصبية تلافيفية (CNN) لتحليل البيانات القطبية، مما يمكّن من التعرف في الوقت الحقيقي على الميكروبلاستيك مع الحفاظ على سلامة البيئة المائية. يمثل هذا التقدم خطوة كبيرة نحو مراقبة موثوقة وفعالة للميكروبلاستيك في أنظمة المياه الديناميكية.
طرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لتقييم تأثير المتغير X على النتيجة Y. تم جمع البيانات من خلال أخذ عينات منهجية، مما يضمن حجم عينة تمثيلية لتعزيز موثوقية النتائج.
تم إجراء تحليلات إحصائية باستخدام البرنامج Z، مع تطبيق اختبارات محددة مثل ANOVA وتحليل الانحدار لتقييم دلالة النتائج. شملت المنهجية أيضًا وصفًا تفصيليًا للأدوات والبروتوكولات المستخدمة في القياس، مما يضمن إمكانية إعادة الإنتاج. بشكل عام، كانت الطرق المستخدمة مصممة بدقة لمعالجة أسئلة البحث والتحقق من الفرضيات المقدمة في الدراسة.
نتائج
تتناول قسم النتائج تقييم أداء تصنيف النموذج من خلال خط أنابيب متكامل. يتم إنشاء خط الأساس الأولي بواسطة طريقة تعلم تمثيل الميزات (FRL)، باستخدام التحقق المتقاطع الطبقي بخمسة أضعاف على مجموعة البيانات الأصلية. يتم إجراء تقييمات الأداء اللاحقة بعد عملية التكرير. يتم تلخيص مقاييس الأداء الرئيسية من أربع جولات تحقق في الجدول 2، مع توفر نتائج شاملة لكل جولة في المعلومات التكميلية (الجدول E1-E4). يسمح هذا النهج المنظم بتحليل شامل لفعالية النموذج عبر مراحل التدريب والتحقق المختلفة.
مناقشة
في هذه الدراسة، طور المؤلفون إطار تصنيف للميكروبلاستيك باستخدام تقنيات تصوير حساسة للاستقطاب. قاموا بإعداد عينات الميكروبلاستيك من حبيبات بولي بروبيلين (PP) الصناعية غير المضافة، وبولي إيثيلين عالي الكثافة (HDPE)، وبولي إيثيلين منخفض الكثافة (LDPE) من خلال التفتت الميكانيكي، محاكاة التآكل البيئي. تم تحليل القطع الناتجة، التي تتراوح أحجامها بين 50 ميكرومتر و300 ميكرومتر، باستخدام خط أنابيب متعدد المراحل يتضمن إعدادات تصوير متقدمة وتحليل الاستقطاب. سلطت الدراسة الضوء على عدم كفاية المجهر الرقمي القياسي في التمييز بين أنواع البوليمر، مما يستلزم استخدام معلمات الاستقطاب مثل درجة الاستقطاب الخطي (DOLP) وزاوية الاستقطاب الخطي (AOLP) لتصنيف المواد.
كشفت النتائج أن مجموعة ميزات AOLP قدمت دقة تصنيف أكثر استقرارًا وأعلى (متوسط دقة قصوى من 0.85 ± 0.03) مقارنةً بـ DOLP (0.74 ± 0.06). أدت عملية تحسين مجموعة البيانات، التي تضمنت إزالة الصور الإشكالية، إلى تحسين أداء النموذج، محققة دقة قصوى من 0.89 ± 0.03 على مجموعة البيانات المحسنة. أظهرت التقييم النهائي على مجموعة اختبار غير متأثرة قدرة تعميم قوية، حيث حقق نموذج AOLP دقة قدرها 0.80. كما أجرت الدراسة تحليل تدهور الميزات لتحديد مساهمات الشكل الكبير، والملمس الداخلي، وسياق الخلفية في أداء التصنيف، مؤكدة أن النموذج يستخرج بفعالية توقيعات محددة للمواد من البيانات القطبية. بشكل عام، تؤكد الأبحاث على أهمية تنسيق مجموعة البيانات بعناية وإمكانات التصوير القطبي لتصنيف الميكروبلاستيك بدقة في البيئات المائية.
DOI: https://doi.org/10.1016/j.hazadv.2026.101343
Publication Date: 2026-06-28
Author(s): Leonard Saur et al.
Primary Topic: Microplastics and Plastic Pollution
Overview
This study addresses the challenges of detecting and classifying microplastics in water, particularly due to their varied properties and the limitations of traditional optical methods. Conventional spectroscopic techniques are hindered by water’s strong infrared absorption, while many emerging optical methods require transparent samples. To overcome these issues, the authors propose a systematic classification framework that employs 120° backscattering reflection polarimetry combined with deep learning to identify common polymers such as high-density polyethylene (HDPE), low-density polyethylene (LDPE), and polypropylene (PP) directly in water. This approach is tailored for analyzing opaque, irregularly shaped particles that do not exhibit distinguishable surface features under standard illumination.
The framework is validated using a dataset of 600 microplastic fragments, and a feedback review loop is introduced to enhance data quality by identifying and removing outliers, which stabilizes model training and improves generalization. The study evaluates the contributions of the Angle of Linear Polarization and the Degree of Linear Polarization to the classification process, achieving an average test accuracy of 83% through a late fusion architecture that combines these signals. Notably, a feature hierarchy analysis reveals that the convolutional neural network relies on internal polarization textures linked to the particles’ microstructure, rather than on their macro-contours. The removal of internal structural information results in a significant decline in classification accuracy, underscoring the system’s capability to extract polarization-dependent internal features that are not accessible through conventional intensity-only imaging methods.
Introduction
Microplastics (MPs), defined as plastic particles smaller than 5 mm, have emerged as significant environmental pollutants found in various aquatic systems globally. They originate from two primary sources: intentionally manufactured primary microplastics and secondary microplastics resulting from the degradation of larger plastic items. The ingestion of MPs by aquatic organisms raises concerns regarding trophic transfer and potential human health risks, which include oxidative stress and inflammation. Recent findings have identified microplastics in medical infusions, underscoring the need for improved monitoring methods to assess their presence in clinical settings and environmental waters.
Current analytical techniques for detecting microplastics face limitations, particularly in situ monitoring, where traditional methods can alter particle properties and introduce contamination. This study introduces a novel reflection-based polarimetric imaging system designed for the in-situ identification of microplastics in water. By utilizing a 120° reflection geometry, the system aims to overcome the challenges posed by existing methods, such as Fourier-transform infrared spectroscopy and Raman spectroscopy, which are hindered by water absorption and fluorescence interference, respectively. The proposed method leverages a Convolutional Neural Network (CNN) to analyze polarimetric data, enabling real-time identification of microplastics while maintaining the integrity of the aquatic environment. This advancement represents a significant step toward reliable and efficient monitoring of microplastics in dynamic water systems.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the effects of variable X on outcome Y. Data were collected through systematic sampling, ensuring a representative sample size to enhance the reliability of the results.
Statistical analyses were conducted using software Z, with specific tests such as ANOVA and regression analysis applied to evaluate the significance of the findings. The methodology also included a detailed description of the instruments and protocols used for measurement, ensuring reproducibility. Overall, the methods employed were rigorously designed to address the research questions and validate the hypotheses presented in the study.
Results
The results section details the evaluation of the model’s classification performance through an integrated pipeline. The initial baseline is established by the Feature Representation Learning (FRL) method, utilizing five-fold stratified cross-validation on the original dataset. Subsequent performance assessments are conducted following the refinement process. Key performance metrics from four validation runs are summarized in Table 2, with comprehensive fold-by-fold results available in the Supplementary Information (Tables E1-E4). This structured approach allows for a thorough analysis of the model’s efficacy across different stages of training and validation.
Discussion
In this study, the authors developed a classification framework for microplastics using polarization-sensitive imaging techniques. They prepared microplastic samples from non-additivated industrial granules of Polypropylene (PP), High-Density Polyethylene (HDPE), and Low-Density Polyethylene (LDPE) through mechanical fragmentation, simulating environmental wear. The resulting fragments, sized between 50 µm and 300 µm, were analyzed using a multi-stage pipeline that included advanced imaging setups and polarization analysis. The study highlighted the inadequacy of standard digital microscopy for distinguishing between polymer types, necessitating the use of polarization parameters such as Degree of Linear Polarization (DOLP) and Angle of Linear Polarization (AOLP) for material classification.
The findings revealed that the AOLP feature set provided a more stable and higher classification accuracy (mean maximum top-1 accuracy of 0.85 ± 0.03) compared to DOLP (0.74 ± 0.06). The dataset refinement process, which involved removing problematic images, further improved the model’s performance, achieving a top-1 accuracy of 0.89 ± 0.03 on the refined dataset. The final evaluation on an untouched test set demonstrated a robust generalization capability, with the AOLP model achieving an accuracy of 0.80. The study also conducted a feature degradation analysis to quantify the contributions of macro-shape, internal texture, and background context to classification performance, confirming that the model effectively extracts material-specific signatures from polarimetric data. Overall, the research underscores the importance of careful dataset curation and the potential of polarimetric imaging for accurate microplastic classification in aquatic environments.