基于机器学习的微塑料识别与沉降速度测量：一种多颗粒同步追踪的高通量方法

《Water Research》：Identification and velocity measurement of microplastics based on machine learning

　　本文提出了一种结合改进YOLOv5-CA目标识别模型与DeepSORT追踪算法的机器学习框架，首次实现了方形沉降柱中多微塑料（MPs）的同步追踪与终端沉降速度精准测量。该方法突破传统单颗粒研究的局限，为解析水体中MPs的迁移机制及颗粒间相互作用提供了高效技术支撑，误差率低至1.7%，追踪成功率达99%。

　　

Section snippets

MPs preparation

实验选用四种微塑料（MPs）颗粒：聚氯乙烯（PVC，密度1390 kg/m³）、聚对苯二甲酸乙二醇酯（PET，密度1250 kg/m³）、聚酰胺（PA，密度1150 kg/m³）和聚苯乙烯（PS，密度1050 kg/m³）。通过扫描电镜（SEM）表征发现，不同MPs表面形态存在显著差异（图1e-f），为后续沉降行为研究提供了形貌学基础。

Results and Discussion

本研究构建的YOLOv5-CA与DeepSORT融合模型可精准识别MPs，并同步测量多颗粒沉降速度。借助该技术，我们深入探究了多颗粒沉降过程中的流体动力相互作用，并评估了这些相互作用对沉降行为的影响。最后，文章分析了该模型的优势与局限性，为未来MPs迁移研究提供了应用指导。

Conclusion

本研究创新性地提出了一种机器学习框架，首次在方形玻璃沉降柱中实现多微塑料颗粒同步追踪及个体终端沉降速度的精准测量。该方案核心在于将融合坐标注意力机制（CA）的增强型YOLOv5-CA检测模型与DeepSORT追踪算法结合，为MPs迁移研究提供了高效、可靠的方法论支持。