Ein interdisziplinäres Forschungsteam der University of Waterloo nutzt künstliche Intelligenz (KI), um Mikroplastik schneller und genauer als je zuvor zu identifizieren.
Mikroplastik kommt häufig in Lebensmitteln vor und ist ein gefährlicher Schadstoff, der schwere Umweltschäden verursacht – der Schlüssel zu ihrer Beseitigung ist, sie zu finden.
Das fortschrittliche bildgebende Identifikationssystem des Forschungsteams könnte Kläranlagen und Lebensmittelindustrien dabei helfen, fundierte Entscheidungen zu treffen, um die potenziellen Auswirkungen von Mikroplastik auf die Umwelt und die menschliche Gesundheit zu mildern.
Der Forschungsbericht „Leveraging Deep Learning for Automatic Recognition of Microplastics (MPs) via Focal Plane Array (FPA) Micro-FT-IR Imaging“ lautet veröffentlicht In Umweltverschmutzung.
Eine umfassende Risikoanalyse und ein Aktionsplan erfordern hochwertige Informationen, die auf einer genauen Identifizierung basieren. Auf der Suche nach einem robusten Analysewerkzeug, das die vielen vorhandenen Mikroplastiken aufzählen, identifizieren und beschreiben könnte, verwendeten Projektleiter Dr. Wayne Parker und sein Team eine fortschrittliche Spektroskopiemethode, die Partikel einer Reihe von Lichtwellenlängen aussetzt. Verschiedene Kunststoffarten erzeugen unterschiedliche Signale als Reaktion auf die Lichteinwirkung. Diese Signale ähneln Fingerabdrücken, mit denen sich Partikel auch als Mikroplastik markieren lassen oder nicht.
Die Herausforderung für Forscher besteht oft darin, dass Mikroplastik aufgrund der Anwesenheit von Zusatzstoffen und Füllstoffen in der Herstellung in großer Vielfalt vorkommt und die „Fingerabdrücke“ im Labor verwischen können. Dies macht die Identifizierung von Mikroplastik aus organischem Material sowie den verschiedenen Arten von Mikroplastik oft schwierig. Um subtile Muster und Hinweise herauszufinden, ist in der Regel menschliches Eingreifen erforderlich, was langsam und fehleranfällig ist.
„Mikroplastik ist ein hydrophobes Material, das andere Chemikalien aufsaugen kann“, sagte Parker, Professor am Department of Civil and Environmental Engineering in Waterloo. „Die Wissenschaft entwickelt sich immer noch weiter, was die Schwere des Problems angeht, aber theoretisch ist es möglich, dass Mikroplastik die Anreicherung giftiger Substanzen in der Nahrungskette verstärkt.“
Parker wandte sich mit der Bitte um Unterstützung an Dr. Alexander Wong, Professor am Department of Systems Design Engineering in Waterloo und am Canada Research Chair in Artificial Intelligence and Medical Imaging. Mit seiner Hilfe entwickelte das Team ein KI-Tool namens PlasticNet, das es Forschern ermöglicht, große Mengen an Partikeln schnell zu analysieren, etwa 50 % schneller als frühere Methoden und mit 20 % höherer Genauigkeit.
Bei dem Tool handelt es sich um die neueste nachhaltige Technologie, die von Waterloo-Forschern entwickelt wurde, um unsere Umwelt zu schützen und Forschung zu betreiben, die zu einer nachhaltigen Zukunft beiträgt.
„Wir haben ein Deep-Learning-Neuronales Netzwerk aufgebaut, um die Identifizierung von Mikroplastik anhand der spektroskopischen Signale zu verbessern“, sagte Wong. „Wir haben es anhand von Daten aus vorhandenen Literaturquellen und unseren selbst generierten Bildern trainiert, um die vielfältige Zusammensetzung von Mikroplastik zu verstehen und die Unterschiede schnell und richtig zu erkennen – unabhängig von der Qualität des Fingerabdrucks.“
Parkers ehemaliger Ph.D. Der Student Frank Zhu testete das System an Mikroplastik, das aus einer örtlichen Abwasseraufbereitungsanlage isoliert wurde. Die Ergebnisse zeigen, dass es Mikroplastik mit beispielloser Geschwindigkeit und Genauigkeit identifizieren kann. Diese Informationen können Kläranlagen in die Lage versetzen, wirksame Maßnahmen zur Kontrolle und Beseitigung dieser Stoffe umzusetzen.
Die nächsten Schritte umfassen kontinuierliches Lernen und Testen sowie die Einspeisung weiterer Daten in das PlasticNet-System, um die Qualität seiner Mikroplastik-Identifizierungsfunktionen für die Anwendung in einem breiten Spektrum von Anforderungen zu verbessern.
Mehr Informationen:
Ziang Zhu et al.: Nutzung von Deep Learning zur automatischen Erkennung von Mikroplastik (MPs) mittels Focal-Plane-Array (FPA)-Mikro-FT-IR-Bildgebung, Umweltverschmutzung (2023). DOI: 10.1016/j.envpol.2023.122548