基于GAF与MTF编码融合和IFCNN的近红外光谱图像微塑料定量分析新方法

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：IFCNN-based fusion of GAF and MTF encoded near-infrared spectral images for quantitative analysis of microplastics

　　本研究针对微塑料污染快速定量检测难题，创新性地将Gramian Angular Fields (GAF)和Markov Transition Fields (MTF)编码与Improved Fusion Convolutional Neural Network (IFCNN)图像融合技术相结合，实现了五种微塑料（PE、PET、PP、PS、PVC）在沙质基质中浓度（0.5%-10%）的精准预测。所提出的GAF-MTF-IFCNN方法显著超越了传统NIR-PLS、NIR-SVR模型，验证集决定系数RV2最高达0.999，为环境微塑料快速定量检测提供了新技术路径。

　　

在塑料生产消费持续增长的背景下，微塑料污染已成为仅次于气候变化的全球性环境问题。这些直径小于5毫米的塑料颗粒不仅广泛分布于大气、土壤和水体环境中，更令人担忧的是，它们已陆续在人体血液、血栓和肺部组织中被检出，对生态系统和公共健康构成严重威胁。然而，由于微塑料具有聚合物种类多样、粒径分布范围广、样品前处理复杂等特点，发展快速、准确的定量检测方法面临巨大挑战。

目前常用的检测方法各存局限：视觉识别和光学显微镜无法确定化学成分；扫描电镜成本高且可能损伤样品；热分析技术操作复杂；拉曼光谱易受荧光干扰；傅里叶变换红外成像虽可定性识别但数据处理耗时。近红外光谱技术因其快速、无损、成本低等优势展现出应用潜力，但传统的一维光谱数据分析方法在特征提取方面存在不足。

在这项发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》的研究中，由Ailing Tan、Haoyu Wang等来自燕山大学的研究团队开创性地将二维图像编码技术与深度学习相结合，建立了微塑料近红外光谱定量分析新方法。研究人员系统采集了五种常见微塑料与沙子的混合样品在六个浓度梯度的近红外光谱数据，创新性地采用Gramian Angular Fields和Markov Transition Fields编码技术将一维光谱转换为二维特征图像，并通过改进的融合卷积神经网络实现多源特征融合，最终构建了基于融合图像的二维卷积神经网络定量预测模型。

关键技术方法包括：使用傅里叶变换近红外光谱仪采集4000-12000 cm^-1范围内的光谱数据；运用GAF编码生成Gramian Angular Difference Fields和Gramian Angular Summation Fields图像；采用MTF编码基于马尔可夫转移概率构建特征图像；设计IFCNN架构实现多模态图像特征融合；建立2D-CNN模型进行浓度预测。

研究结果显示，GAF和MTF编码成功将光谱特征转化为具有明显浓度梯度响应的二维图像。随着微塑料浓度从0.5%增加至10%，特征峰对应的交叉峰区域颜色加深、亮度增强、线条更加清晰，为深度学习模型提供了有效的视觉特征。图像融合过程有效整合了不同编码方式的互补信息，IFCNN-3融合图像呈现出更鲜明的特征对比度和空间分辨率。

在模型性能方面，基于单一图像类型的2D-CNN模型已显著优于传统一维分析方法。其中MTF编码模型在多数聚合物类型上表现最佳，如聚苯乙烯的验证集决定系数R_V²达到0.979。而经过IFCNN融合的模型进一步提升了预测精度，特别是三图融合的IFCNN-3模型在聚丙烯和聚氯乙烯上分别获得了0.986和0.999的极高预测精度，显著超越了文献中报道的现有方法。

值得注意的是，不同聚合物类型的预测难度存在差异。聚氯乙烯在所有模型中都表现出最优的预测结果，而聚对苯二甲酸乙二醇酯的预测相对困难，这可能与不同聚合物的光谱特征鲜明程度有关。这种现象提示我们在实际应用中可能需要针对特定聚合物类型优化模型参数。

研究的创新性主要体现在三个方面：首次将GAF和MTF编码同时应用于微塑料近红外光谱分析；开发了基于IFCNN的多模态图像融合策略；建立了端到端的二维光谱图像定量分析流程。这种方法不仅提高了预测准确性，更重要的是为光谱分析提供了新的思路——将信号处理与计算机视觉技术深度融合。

在讨论部分，作者指出该方法在实验室条件下已验证了可行性，但实际环境样品可能带来新的挑战。沙质基质作为相对简单的背景，为方法验证提供了理想平台，但未来需要针对更复杂的环境基质进行适应性研究。此外，样本存储使用塑料容器可能引入的微量污染也需要在后续工作中通过使用玻璃容器或铝箔袋来规避。

该研究的实际意义在于为环境监测提供了新的技术路径。与传统方法相比，这种基于图像编码和深度学习的方法不仅精度更高，而且有望与便携式近红外光谱仪结合，实现现场快速检测。对于环保部门、科研机构以及塑料相关产业都具有重要的应用价值。

综上所述，这项研究通过创新性地结合近红外光谱、图像编码和深度学习技术，成功开发了微塑料定量分析新平台。研究不仅提供了具体的技术方案，更重要的是展示了多学科交叉融合在环境分析领域的巨大潜力。随着技术的进一步完善和便携化，这种方法有望成为微塑料污染监测的有力工具，为环境保护和公共健康保障提供技术支持。