JPPHOPTON编辑优选:基于全息分类和深度学习的微塑料污染监控

16 8月 2021 gabriels
本篇研究来自香港大学林彥民教授课题组,文章首次利用深度学习与数字全息成像技术相结合的方法进行微塑料颗粒物探测。


文章介绍

Microplastic pollution monitoring with holographic classification and deep learning

朱琰珉,楊作衡,林彥民

通讯作者:

■  林彥民,香港大学

 

研究内容:

利用同轴数字全息成像技术对实验样本进行光学成像,并将采集到的全息图进行标记、建立全息图片数据集。设计了针对微塑料颗粒物全息图像特点的分类网络holographic-classifier convolutional neural network (HC-CNN),在数据集上充分训练后,使用此网络对微塑料全息图像进行自动分类、微塑料检测。针对网络分类结果从准确率、鲁棒性、实时性、可迁移性等方面进行了充分的性能分析和评估,并与当前相关领先技术进行了性能的对比分析。

研究结果:

微塑料颗粒物可以被本文提出的深度学习分类网络准确的自动识别出来,准确率高达97.01%。同时其在鲁棒性、实时性等方面表现均好于其他网络。

意义:

在本研究中我们提出了一种基于深度学习的数字在线全息分类系统,用于微塑料污染物的自动检测和分类。其中,微塑料粒子的自动分类任务是直接基于原始全息图完成的,无需额外的图像预处理步骤,如去噪和重建。该系统在分类精度、耗时、网络鲁棒性和跨模型泛化等方面均有较好的性能。此外,我们构建了一个完整标记的全息图数据集,填补了在全息图像领域无完整标记的开源数据集的空白。同时,此系统可以进一步研究制作成便携式微塑料检测系统,为环境保护组织和机构控制微塑料微粒污染提供了强有力的工具。

图1 微塑料全息图像数据集示例图片

研究背景

工业制造产生的微塑料颗粒污染已成为严重的环境问题。这些直径小于5毫米的塑料颗粒近年来在世界各地包括陆地和海洋中均被检测到。例如,在工业药品等生产过程中,其产生的一次性注射器等医疗废物,即含有聚乙烯塑料。这种医疗废物的不充分降解将导致微塑料污染物在环境中积累。自Covid-19新冠肺炎疫情发生以来,大量的医疗塑料垃圾产生,其也进一步加剧了微塑料颗粒污染。而这些微塑料垃圾在海洋和土壤中富集,可能会导致海洋动物的死亡。

通常,微塑料与生态环境中的其他颗粒,如砂砾、微藻、气泡、树叶碎片、大型塑料垃圾等混合在一起,导致其部分图像特征被遮蔽。如果没有昂贵的光学仪器或复杂的图像处理技术,很难准确地检测微塑料颗粒物的数量。我们希望利用全息成像和深度学习技术来自动检测微塑料颗粒。


作者介绍

林彥民  教授

香港大学

● Edmund Lam received his PhD in electrical engineering from Stanford University. He is a professor in the Department of Electrical and Electronic Engineering at the University of Hong Kong, and currently is also an Associate Dean of Engineering. He works on computational imaging algorithms and systems, with applications primarily in optical imaging. He is a Fellow of IEEE, OSA, SPIE, IS&T, and HKIE.


期刊介绍

JPhys Photonics

JPhys Photonics(JPPHOPTON)是一本新出版的开放获取期刊,面向物理学中应用于光子学各个领域的高质量研究。期刊包含光子学研究中最重要和最激动人心的进展,着重关注跨学科和多学科的研究。涵盖领域包括:生物光子学和生物医学光学;能源和绿色技术应用,包括光伏;成像、检测和传感;光物质相互作用;光源,包括激光器和LED;纳米光子学;非线性和超快光学;光通信和光纤;光数据存储;光电子学、集成光学和半导体光子学;光子材料、超材料和工程结构;等离子体技术;传播,相互作用和行为;量子光子学和光学等。