高光谱分选仪多模态特征融合提升微塑料检测准确率

导读：土壤中的微塑料粒径小、含量低，又容易被土壤背景和散射干扰。四川农业大学等单位的研究团队没有只分析一维光谱，而是将同一组高光谱数据同时作为一维光谱和二维图像表征，融合波段信息与结构纹理信息，识别土壤中的PE、PP、PVC及其混合类型。

500份样品｜8类土壤状态｜7个浓度梯度｜420—1000 nm｜独立测试准确率96.75%

论文做了什么：制备土壤微塑料样品 → 采集高光谱图像 → 光谱预处理 → 一维光谱转换为二维表征 → 提取SPA与HOG特征 → MPFF概率融合 → DAR-CNN完成分类。

1. 文献信息

论文题目：Hyperspectral detection of soil microplastics via multimodal feature fusion and a dual-path attention residual convolutional network

期刊与年份：Talanta，2026，299：129108

高光谱设备：GaiaSorter高光谱分选系统V10E

DOI：10.1016/j.talanta.2025.129108

2. 研究为什么值得关注

土壤微塑料难检，问题不只是颗粒小。不同塑料在可见光下外观接近，低浓度颗粒又被土壤颜色、粒径差异、含水率和散射效应掩盖。传统分离和过滤流程耗时，单靠图像也难以判断白色或半透明颗粒的聚合物类型。

400—1000 nm可见近红外光谱本身也有边界。聚合物更具诊断价值的C—H、C—C和C—Cl等基本振动主要位于中红外区域；在可见近红外范围内，多为较弱且容易重叠的倍频和组合频信号，仅分析光谱幅值容易受到基线与土壤背景干扰。

这篇论文关注的是：能否从同一条光谱中获得两种互补证据。一维数据保留波长与强度关系，转换后的二维图像则呈现峰形、起伏、波长依赖和纹理结构；研究进一步验证，两类特征融合后能否提高低浓度和混合微塑料的识别能力。

3. 实验设计与高光谱采集

研究使用成都平原0—20 cm表层土壤，以及粒径100—500 μm的PE、PP和PVC颗粒。样品包括纯土壤、3种单一塑料和4种混合塑料，共8类状态；微塑料设置0.5%、1%、2%、3%、4%、5%和10%七个浓度梯度，每个组合制备10份独立样品，总计500份。

每份样品取约5 g，铺入直径50 mm培养皿形成约2 mm厚的均匀表面。GaiaSorter V10E采集387—1034 nm、256波段的高光谱图像，去除噪声较大的边缘波段后，实际分析范围为420—1000 nm。

每份物理样品选取6个互不重叠的30×30像素ROI，形成3000条平均光谱。数据按物理样品进行80∶20分层划分，同一样品的ROI不会同时进入训练集和测试集；训练集内部再进行五折交叉验证，最终指标均来自独立测试集。

图1  土壤微塑料样品制备、高光谱采集、多模态特征融合与分类流程。

图2  GaiaSorter V10E高光谱采集系统及样品代表性光谱。

4. 关键结果一：同一条光谱被转换成多种二维表征

光谱先经过SG平滑、SNV校正和一阶导数处理，以降低噪声、散射与基线漂移。随后，研究采用连续小波变换CWT、递归图RP和格拉姆角场GAF，将一维序列映射为二维图像。

这些二维图并不是微塑料的真实外观。CWT强调不同尺度下的局部起伏，RP呈现序列重复与突变模式，GAF保留波长之间的依赖和数值关系。它们的作用，是把一维曲线中不易直接建模的结构差异转化为可提取的纹理。

图3  0.5%浓度下的原始与预处理光谱，以及CWT、RP和GAF二维表征。

5. 关键结果二：波段特征是主力，二维纹理提供补充

在一维光谱特征中，SPA表现最好，独立测试准确率为93.27%；在二维图像特征中，HOG最高，为84.97%。特征贡献分析显示，SPA权重为35.7%，HOG为22.6%，说明主要判别力仍来自筛选后的光谱波段，二维纹理补充了单一光谱难以表达的结构信息。

约930 nm和970 nm是模型反复选中的关键区域。作者将930 nm附近与聚合物C—H三阶倍频联系起来，将970 nm附近与土壤水分O—H信号联系起来。这说明模型可能同时利用目标塑料与主要背景的信息，但论文也明确指出，这属于光谱机理解释，并非直接化学验证。

图4  MPFF将一维光谱特征与二维图像特征映射到概率空间后进行融合。

6. 关键结果三：融合后八类土壤状态识别更稳定

仅使用预处理光谱时，SVM、BPNN、1D-CNN和DAR-CNN的准确率依次为41.95%、48.91%、59.44%和79.32%。采用SPA与HOG特征，并通过MPFF融合后，DAR-CNN独立测试准确率提升至96.75%，精确率、召回率和F1分别为96.43%、96.91%和96.67%。

在0.5%浓度下，单一PE、PP和PVC的one-vs-rest准确率分别为94.05%、95.24%和95.24%，混合类型为77.38%。这说明方法在低浓度下仍保留判别能力，但多种塑料共同存在时更容易混淆；浓度提高到10%后，四类汇总类型均达到100%。

图5  独立测试集混淆矩阵，以及3%浓度代表性样品的伪彩色图与像素分类图。

7. 应用价值与结论边界

研究为土壤微塑料快速筛查提供了较完整的样本级流程。它能够在不逐粒分离的情况下，从土壤表面高光谱数据中识别PE、PP、PVC及其组合，为污染调查、修复前后对比和实验室批量检测提供方法参考。

多模态并不意味着增加一套传感器。研究的两种信息都来自同一高光谱数据，通过改变数据表达方式获得互补特征；这种思路也可迁移到其他弱光谱差异、强背景干扰的复杂样品分析。

96.75%对应ROI平均光谱的样本级分类，不是逐像素检测精度。论文中的分类图主要用于展示模型空间响应，尚未通过拉曼或μ-FTIR共定位获得像素级真值。后续仍需验证不同土壤、含水率、有机质、颗粒颜色与老化状态，以及跨设备和真实田间样品的泛化能力。

结论

研究将420—1000 nm高光谱同时表示为一维光谱和二维结构图像，从500份土壤样品中提取SPA波段特征与HOG纹理特征，并通过MPFF和DAR-CNN识别纯土壤、PE、PP、PVC及其混合状态，独立测试准确率达到96.75%；结果证明多种数据表征能够补充可见近红外弱信号，但其能力目前仍限于受控条件下的ROI级分类，真实土壤与像素级检测还需进一步验证。

DOI: 10.1016/j.talanta.2025.129108