[论文解读] Morphological Detection and Classification of Microplastics and Nanoplastics Emerged from Consumer Products by Deep Learning

Hadi Rezvani, Navid Zarrabi+6 more|arXiv (Cornell University)|Sep 20, 2024

Microplastics and Plastic Pollution被引用 4

一句话总结

本文介绍了MiNa，一个基于消费塑料在模拟水生条件下产生的开放式微塑料和纳米塑料（MiNa）数据集，利用扫描电子显微镜（SEM）图像实现基于深度学习的检测与分类。该研究对YOLOv10、Faster R-CNN和Mask R-CNN模型进行了基准测试，发现两阶段检测器（Faster R-CNN、Mask R-CNN）在召回率和F1分数上优于单阶段的YOLOv10，其中聚丙烯（PP）和聚苯乙烯（PS）的假阴性结果最为普遍，主要由于颗粒密度高和尺寸差异大。

ABSTRACT

Plastic pollution presents an escalating global issue, impacting health and environmental systems, with micro- and nanoplastics found across mediums from potable water to air. Traditional methods for studying these contaminants are labor-intensive and time-consuming, necessitating a shift towards more efficient technologies. In response, this paper introduces micro- and nanoplastics (MiNa), a novel and open-source dataset engineered for the automatic detection and classification of micro and nanoplastics using object detection algorithms. The dataset, comprising scanning electron microscopy images simulated under realistic aquatic conditions, categorizes plastics by polymer type across a broad size spectrum. We demonstrate the application of state-of-the-art detection algorithms on MiNa, assessing their effectiveness and identifying the unique challenges and potential of each method. The dataset not only fills a critical gap in available resources for microplastic research but also provides a robust foundation for future advancements in the field.

研究动机与目标

• 为解决当前在自动化微塑料和纳米塑料（MiNa）检测与分类中，基于深度学习的开放、多样化且真实的基准数据集严重不足的关键问题。
• 在涵盖不同聚合物类型与尺寸的新颖MiNa颗粒数据集上，开发并评估最先进目标检测模型（YOLOv10、Faster R-CNN、Mask R-CNN）。
• 识别并分析MiNa检测中的主要挑战，包括颗粒密集、重叠颗粒以及尺寸可变性，尤其针对PP和PS。
• 通过提供一个基础平台，推动未来研究实现环境及消费产品样本中MiNa的自动化、高精度且低成本的定量分析与识别。

提出的方法

• MiNa数据集包含1,000张微塑料和纳米塑料（1 µm – 1 mm）的SEM图像，这些图像源自消费塑料（PE、PS、PP、PET）在环境相关条件下经过12周降解后所得。
• 图像通过边界框和聚合物类型标签（PE、PS、PP、PET）进行标注，支持目标检测模型的训练。
• 训练并评估三种深度学习模型——YOLOv10（单阶段）、Faster R-CNN和Mask R-CNN（两阶段），使用精确率、召回率、F1分数和AP50等指标进行评估。
• 评估包括按聚合物类别分析假阴性情况，重点关注颗粒重叠、尺寸小和密度高等挑战，尤其在PP和PS中表现显著。
• 采用交并比（IoU）评估边界框，并应用统计抽样方法，基于检测到的颗粒数估算总颗粒数。
• 该数据集已公开发布，以支持可复现性，并推动未来自动化MiNa检测系统的发展。

实验结果

研究问题

• RQ1 最先进深度学习目标检测模型（YOLOv10、Faster R-CNN、Mask R-CNN）在从降解消费塑料的SEM图像中检测与分类微塑料和纳米塑料方面的有效性如何？
• RQ2 MiNa检测中的主要失效模式是什么？这些模式在不同聚合物类型（如PP、PS、PE、PET）之间有何差异？
• RQ3 颗粒尺寸、密度和重叠形态在多大程度上影响检测性能，尤其是在两阶段与单阶段模型之间？
• RQ4 与现有数据集相比，一个公开可用、真实且多样化的基于SEM的MiNa数据集，能否显著提升MiNa检测的自动化与准确性？

主要发现

• 两阶段模型（Faster R-CNN和Mask R-CNN）在召回率和F1分数上均优于单阶段的YOLOv10，其中Faster R-CNN在IoU阈值为0.5时达到最高AP50（平均精度均值）。
• 假阴性在聚丙烯（PP）颗粒中最为普遍（假阴性率为22.1%），其次为聚苯乙烯（PS）（20.3%），主要归因于颗粒密度高和形态重叠。
• 聚乙烯（PE）颗粒的假阴性率最低（8.5%），归因于其平均尺寸较大且图像中颗粒拥挤程度较低。
• 聚对苯二甲酸乙二醇酯（PET）颗粒的假阴性率为12.7%，与其平均面积较大及每幅图像中颗粒数量较少有关。
• 模型在处理重叠和密集堆积颗粒方面表现显著困难，表明这在真实环境样本中仍是持续存在的挑战。
• MiNa数据集可通过随机抽样与统计推断，实现对总颗粒数的准确估算，从而加速实验室识别流程并降低成本。