基于近红外光谱与人工智能的微塑料检测卡及检测方法

本发明涉及微塑料检测，尤其涉及一种基于近红外光谱与人工智能的微塑料检测卡及检测方法。

背景技术：

1、微塑料（粒径＜5mm）在水体、食品链中的污染已成为全球性环境与公共卫生问题。目前微塑料检测依赖实验室大型仪器，如傅里叶变换红外光谱（ftir）、拉曼光谱、热解-气相色谱/质谱联用（py-gc/ms）等。这些方法虽然准确性高，但存在以下突出问题：

2、（1）检测周期长：单个样品从预处理到出结果通常需要数小时至数天，无法满足现场快速筛查需求。例如，水体微塑料检测流程需经过密度分离、过滤、烘干、逐粒光谱分析等步骤，单样全程耗时4-8小时。

3、（2）设备昂贵、操作复杂：ftir显微镜或拉曼光谱仪单台成本30-100万元，并且需要专业人员操作，难以部署在基层检测站、农贸市场或野外现场。

4、（3）无法区分无色/透明微塑料：传统可见光目视或成像方法难以识别无色微塑料颗粒（如透明pe、pp碎片等），人眼对＜500μm的颗粒基本无法分辨。据agilent 2022年白皮书数据，水体中＜500μm微塑料占比常超过80%。

5、（4）现有近红外试纸条方案均为荧光免疫路线，不适用于微塑料检测：近红外二区（nir-ii，1000-1700nm）荧光成像因其低背景、高穿透性优势，已被尝试应用于侧向流免疫层析（lfia）试纸条。然而，现有方案均基于荧光标记-抗体识别的免疫学路线，需针对每种目标分析物开发特异性抗体，且检测对象为溶解态小分子或蛋白质，对于微塑料颗粒（微米级固体颗粒，表面缺乏可被抗体识别的特定表位）则完全无法适用。将nir光谱应用于试纸条载体并进行非抗体依赖的微塑料检测，在现有技术中尚无记载。

6、（5）现有微塑料检测方案未结合试纸条载体与ai。

7、（6）近红外反射光谱在试纸条载体上的信号挑战：纸基/石英基底材料在近红外波段存在背景吸收和散射效应，且环境温湿度变化会导致光谱基线漂移。将nir反射光谱测量（注意：不是nir荧光成像）应用于试纸条载体，需要解决基底背景扣除、多子区域空间-光谱联合校正、散射效应补偿等问题。免疫层析试纸条通常依赖c线/t线荧光强度比值进行归一化，但该方法仅适用于荧光信号，不适用于反射光谱中由聚合物本征化学键振动产生的宽谱吸收信号。

技术实现思路

1、本发明通过提供一种基于近红外光谱与人工智能的微塑料检测卡及检测方法，解决了现有技术中检测周期长、依赖大型仪器且价格昂贵、无法识别无色微塑料、以及现场快速检测空白的技术问题。

2、本发明提供了一种基于近红外光谱与人工智能的微塑料检测卡，沿待检测液样入样方向依次设置有预过滤层、样品过滤层、导流层、检测层和吸水垫；所述检测层在检测平面分布有多个检测分区和参比区；所述导流层将所述待检测液样导流至所述检测分区和参比区中。

3、具体来说，所述导流层中设置放射状导流槽，引导所述待检测液样流经等水力阻力通道分流至所述检测分区和参比区中。

4、本发明提供的基于近红外光谱与人工智能的微塑料检测方法，包括：

5、将待检测液样放入如上所述的基于近红外光谱与人工智能的微塑料检测卡中；

6、开启近红外光源照射所述检测层；

7、采集所述检测层的反射光谱；

8、对所述反射光谱进行预处理；

9、从预处理后的反射光谱中分别提取光谱特征和空间分布特征；

10、将所述光谱特征和空间分布特征进行拼接，得到空间-光谱联合特征向量；

11、将所述空间-光谱联合特征向量输入微塑料检测模型，输出微塑料初步检测结果；

12、基于所述参比区的反射光谱对所述微塑料初步检测结果进行校准补偿，得到微塑料最终检测结果。

13、具体来说，对所述反射光谱进行预处理，包括：

14、对所述反射光谱依次进行暗电流扣除、平滑滤波、基线校正、标准正态变量变换或多元散射校正、参比归一化预处理过程。

15、具体来说，所述从预处理后的反射光谱中提取光谱特征，包括：

16、从每个检测分区经预处理后的反射光谱中提取设定窗口的积分反射率；

17、对所述积分反射率进行主成分分析降维，得到所述光谱特征。

18、具体来说，所述从预处理后的反射光谱中提取空间分布特征，包括：

19、从预处理后的反射光谱中分别提取每个检测分区的光谱方差、相邻检测分区之间的光谱梯度向量、各检测分区在设定特征峰处信号强度的空间变异系数；

20、将所述光谱方差、光谱梯度向量和空间变异系数进行拼接，得到所述空间分布特征。

21、具体来说，所述从预处理后的反射光谱中分别提取每个检测分区的光谱方差、相邻检测分区之间的光谱梯度向量、各检测分区在设定特征峰处信号强度的空间变异系数，包括：

22、通过公式计算得到每个检测分区的反射率方差；其中，为检测分区的总数，为第个检测分区的反射率值，为所有检测分区反射率值的算术平均值，即；

23、通过公式计算得到相邻检测分区之间的光谱梯度向量；其中，、分别为检测分区m、n在设定子波段内的积分反射率，为检测分区m、n在设定子波段内的平均积分反射率；

24、通过公式计算得到各检测分区在设定特征峰处信号强度的空间变异系数；其中，为所有检测分区在设定子波段处积分反射率的标准差，为所有检测分区在设定子波段处积分反射率的算术平均值，即。

25、具体来说，所述将所述空间-光谱联合特征向量输入微塑料检测模型，输出微塑料初步检测结果，包括：

26、将所述空间-光谱联合特征向量输入微塑料检测模型，所述微塑料检测模型分2个阶段检测：

27、阶段1为塑料/背景二分类：所述微塑料检测模型采用轻量级一维卷积神经网络，包含2个卷积块和1个全连接层，快速判断检测分区是否存在微塑料颗粒信号；若判定为“无塑料”，则检测流程结束；若判定为“含塑料”，则进入阶段2；

28、阶段2为聚合物种类识别：若阶段1判定为“含塑料”，则调用融合了空间注意力机制的1d-resnet或transformer模型进行分类；该模型接收所述空间-光谱联合特征向量，包含3个残差块或2层多头自注意力编码器；模型前端设有空间特征融合层，将各个检测分区的光谱特征和空间分布特征在特征维度上进行拼接并通过全连接层融合；模型中的空间注意力模块为各个检测分区的特征分配可学习的注意力权重，自动聚焦信息量最大的空间位置，输出层对应pe（聚乙烯）、pp（聚丙烯）、ps（聚苯乙烯）、pet（聚对苯二甲酸乙二醇酯）、pa（聚酰胺）、pvc（聚氯乙烯）、其他共7个类别，输出微塑料初步检测结果。

29、具体来说，若所述阶段2的输出为pe或pp，则进行pe、pp精细鉴别流程，具体包括如下步骤：

30、通过公式从提取出的光谱中计算得到一阶导数光谱值；其中，为第个波长点处经过预处理后的反射率值，为第个波长点处经过预处理后的反射率值，为波长采样间隔；

31、通过公式从提取出的光谱中计算得到二阶导数光谱值；其中，为第个波长点处经过预处理后的反射率值；

32、从提取出的光谱中分别搜索的过零点位置，计算各个检测分区在设定波段内的平均峰位差；其中，、分别为pp、pe样品在对应子波段内的c-h吸收峰精确波长；

33、在搜索出的所述过零点位置处，提取每个检测分区在设定子波段的二阶导数局部最小值，并通过公式计算得到谷深度比；其中，为子波段中绝对值的平均值；

34、若检测到所述一阶导数光谱值的斜率符号在子波段内连续改变两次，则通过公式计算得到肩峰指数；其中，、分别为变号区间的左右边界波长，、、分别为波长、及吸收峰波长处的一阶导数光谱值；

35、对所述各个检测分区在所述设定波段的一阶导数光谱值和二阶导数光谱值进行降维，得到降维后的光谱特征；

36、将所述平均峰位差、谷深度比、肩峰指数和降维后的光谱特征进行拼接，得到联合导数光谱特征向量；

37、从所述预处理后的反射光谱中分别提取每个检测分区在设定波段的光谱方差、相邻检测分区之间的光谱梯度向量、各检测分区在设定特征峰处信号强度的空间变异系数；

38、将所述每个检测分区在设定波段的光谱方差、相邻检测分区之间的光谱梯度向量、各检测分区在设定特征峰处信号强度的空间变异系数进行拼接，得到空间排列特征向量；

39、将所述联合导数光谱特征向量和空间排列特征向量进行拼接，得到精细判别向量；

40、将所述精细判别向量输入轻量级全连接神经网络，输出pe、pp二分类结果及细粒度置信度。

41、具体来说，所述基于所述参比区的反射光谱对所述微塑料初步检测结果进行校准补偿，得到微塑料最终检测结果，包括：

42、通过公式计算得到漂移校正因子；其中，为光谱检测设备出厂时在受控环境下测定的参比区标准光谱，为当前次测量中参比区经预处理后的反射光谱；

43、若所述漂移校正因子在预设阈值范围内，通过公式计算得到第k个检测分区经漂移校准后的反射光谱；其中，为第k个检测分区经预处理后的反射光谱；

44、通过公式计算得到第k个检测分区经温度补偿后的反射光谱；其中，为光谱检测设备的温度系数，为光谱检测设备内置温度传感器实时读取的环境温度，为光谱检测设备出厂标定时的参考温度；

45、通过公式计算得到个检测分区在个特征波段经温度补偿后的总积分响应强度；其中，为第个特征波段的波长区间；

46、通过公式计算得到半定量浓度估计值；其中，、、为二阶多项式拟合系数；

47、将所述微塑料初步检测结果、pe、pp二分类结果及细粒度置信度、半定量浓度估计值整合为微塑料最终检测结果。

48、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

49、1、本发明提供的基于近红外光谱与人工智能的微塑料检测卡，沿待检测液样入样方向依次设置有预过滤层、样品过滤层、导流层、检测层和吸水垫；检测层在检测平面分布有多个检测分区和参比区；导流层将待检测液样导流至检测分区和参比区中。本发明提供的基于近红外光谱与人工智能的微塑料检测方法，包括：将待检测液样放入上述的基于近红外光谱与人工智能的微塑料检测卡中；开启近红外光源照射检测层；采集检测层的反射光谱；对反射光谱进行预处理；从预处理后的反射光谱中分别提取光谱特征和空间分布特征；将光谱特征和空间分布特征进行拼接，得到空间-光谱联合特征向量；将空间-光谱联合特征向量输入微塑料检测模型，输出微塑料初步检测结果；基于参比区的反射光谱对微塑料初步检测结果进行校准补偿，得到微塑料最终检测结果。从预过滤、过滤截留、光谱采集窗口到参比校准，所有功能集成于一张一次性检测卡中。用户仅需加样即可自动完成过滤和信号采集准备，无需预过滤杯、蠕动泵或任何配套工具。本发明采用滤膜截留富集与近红外漫反射光谱识别相结合的技术路线。水样中的微塑料经滤膜截留并集中沉积于检测窗口，通过采集聚合物中c-h、n-h等基团振动的倍频和合频吸收信号，结合光谱预处理及化学计量学模型，对pe、pp、ps、pet、pa和pvc等常见微塑料进行分类识别。该方法无需抗体或适配体等生物识别试剂，具有检测快速、成本较低和可扩展性强等特点。水样中的微塑料颗粒经滤膜截留后集中于直径5-10 mm的检测窗口，颗粒在单位面积上的沉积密度较原始水样显著提高。这一物理富集效应使得在约2mm光斑下对50μm级微塑料颗粒的nir漫反射检测成为可能——多颗粒在窗口中聚集形成足够的有效信号面积。配合s-g平滑降噪和ai模型的弱信号特征提取能力，预期检出限可达50μm。本发明通过“先富集再检测”的策略显著提升了对低浓度水样中微量微塑料颗粒的检出能力。检测总时间可控制在5分钟以内，实现“加样即测”。利用近红外反射光谱对聚合物化学键振动的特异响应，完全摆脱对可见光颜色的依赖。本发明两阶段ai模型（阶段1：塑料/背景二分类，准确率＞97%；阶段2：7类聚合物识别，准确率＞95%）可一次检测同时输出微塑料的存在性、聚合物种类、置信度以及半定量浓度等级。本发明通过4检测分区矩阵扫描提取颗粒空间分布特征（均匀性、定向性、聚集度），结合光谱特征构成空间-光谱联合特征向量。模型中的空间注意力模块自动学习不同形态颗粒的差异化空间模式——例如区分均匀散布的pe球状颗粒与定向排列的pet纤维碎片。

50、2、本发明通过在阶段2中内嵌pe、pp精细鉴别子模块，从三个维度提取区分信息：①高分辨率子光谱（1150-1250nm和1700-1800nm波段）的导数光谱捕捉pp甲基侧链造成的3-8nm微小峰位蓝移；②二阶导数光谱增强对c-h振动峰形的灵敏度；③过滤过程中因密度和形态差异产生的不同空间沉积模式（pe密度0.91-0.96，易形成不规则扁平形态；pp密度约0.90，球状颗粒较常见）。三维信息的融合使pe、pp区分准确率可提升至90%以上，这是现有任何便携式nir方案均未实现的性能。该子模块仅在主分类器输出为pe或pp时被激活（参数量约50kb），无需额外硬件成本。

51、3、本发明通过snv/msc散射校正+参比区归一化+光源脉冲调制等多重抗干扰机制，有效消除了纸基/玻璃纤维基底散射、温湿度漂移、环境光干扰以及水分子o-h吸收（1450/1940nm）对相邻特征波段的基线干扰。其中，msc/snv校正专门针对玻璃纤维膜多孔结构引起的散射效应，参比归一化消除光源漂移和批次差异，温度补偿修正ingaas探测器的热致响应漂移，光源脉冲调制减少样品热损伤和杂散光累积，多重校正形成了从样品制备到信号输出的全链路抗干扰体系。

52、4、本发明采用扩展型ingaas线阵或面阵探测器+多波长led阵列的便携方案，整机物料成本预计15000-30000元（量产后可降至10000元以下），远低于实验室ftir显微镜（30万+）、拉曼系统（50万+）或pyr-gc/ms（100万+），适合基层检测站、农贸市场及野外现场部署。