本网讯（通讯员 桂新）近日，我校林学院生态环境系统调控与治理团队在复杂高含沙水体微塑料智能识别与定量研究方面取得重要进展，研究成果以“Precise identification and validation of microplastics using deep learning models in the Yellow River”为题，发表在环境与水资源领域顶刊《Water Research》上。
黄河作为典型的高含沙河流，水体中大量的悬浮泥沙产生了严重的背景噪声干扰，阻碍了常规深度学习模型准确提取微塑料的精细边缘特征。为突破这一瓶颈，该研究以黄河（郑州段）实地水样为对象，系统构建并评估了涵盖ResNet和ResNeXt系列主干网络以及FPN、DeepLabV3+、UNet和UNet++解码器的24种混合语义分割架构。
该研究突破了传统单一计算机视觉评估指标的局限，提出了计数误差（CE）、背景复杂度（BC）和95%豪斯多夫距离（HD95）三个全新评价指标，系统量化各模型的抗噪鲁棒性与边界保真度。此外，研究引入梯度加权类激活映射（Grad-CAM）技术揭示了模型的空间特征激活与注意力聚焦模式，并在严重泥沙杂质、微塑料颜色梯度以及显微成像离焦模糊等复杂干扰场景下，对24种模型进行了实际部署与计算性能对比，证实了最优架构在实际应用中卓越的噪声抑制与边缘重建能力。
图1 黄河郑州段微塑料深度学习识别模型构建及验证流程
图2 24种模型架构在实际部署中的预测掩码可视化及计算性能评估
同时，为确保模型定量的准确性，研究通过微型傅里叶变换红外光谱（µ-FTIR）对模型输出进行了原位多季节交叉验证。结果显示，模型预测的微塑料丰度与光谱实测数据高度一致有效解决了现有研究中光学图像分割与化学定性分析相互脱节的问题。该研究不仅构建了一套能够部署于普通显微镜平台与轻量级计算设备的高效智能检测流水线，也为黄河流域水环境微塑料的常态化监测与生态风险评估提供了关键的方法学支撑。
图3 深度学习模型与微红外光谱（µ-FTIR）在黄河水体微塑料丰度定量中的一致性验证
我校为论文第一署名单位，我校林学院研究生罗永强与其导师桂新为论文共同第一作者，桂新与张发文教授为共同通讯作者。研究生于心雨，团队成员马丽为该研究提供了指导与支持。我校动物科技学院鲁煜健博士与蒋瑞瑞教授，河南省郑州生态环境监测中心赵长民，韶关学院沈阳，中国科学技术大学张鹏、吕亚萍等研究人员共同参与了该项研究。该成果凝聚了全体作者的共同努力，谨向各位作者为本研究作出的贡献表示衷心感谢。
论文链接：https://doi.org/10.1016/j.watres.2026.127046
编辑/黄璞 李培亚 审核/王娟 签发/陈玺
