طبقه بندی پیشرفته میکروپلاستیک Microplastic

دسته: مقالات منتشر شده در 12 آبان 1403
نوشته شده توسط Admin بازدید: 98

طبقه بندی پیشرفته پلیمرهای میکروپلاستیک در سازه آبی

آلودگی میکروپلاستیک (MP) خطر قابل توجهی برای محیط زیست و سلامت انسان به همراه دارد؛ به طوری که ضرورت توسعه روش های کارآمد به منظور شناسایی و طبقه بندی این ذرات ریزآلاینده را نشان می دهد. در این مطالعه، روش تراکم-UNet همراه با انتقال به عنوان یک راه حل، مدل مبتنی بر یادگیری عمیق جدید (DL) باهدف شناسایی و طبقه بندی میکروپلاستیک با ترکیب جلوه های ویژه کامپیوتری پیشنهاد شده است. هدف اصلی از این مطالعه افزایش دقت در تشخیص میکروپلاستیک های طبقه بندی شده از تصاویر ورودی است. ابتدا یک مجموعه داده از تصاویر MP هولوگرافیک شامل کلاس‌های اولیه مانند پلی اتیلن (PE)، پلی استایرن (PS)، پلی اتیلن سبک (LDPE)، پلی هیدروکسی آلکانوات (PHA) برای آموزش و ارزیابی مدل تحقیق جمع آوری شد. تصاویر این مجموعه داده با تغییر اندازه تصویر، RESHIE مبتنی بر تقویت تصویر، GABF مبتنی بر حذف نویز باهدف بهبود کیفیت بصری تصاویر پیش پردازش شدند. از این تصاویر پیش پردازش شده با استفاده از مدل Dense-UNet  برای تقسیم بندی معنایی استفاده شد. شناسایی و طبقه بندی میکروپلاستیک‌ها ازنظر میزان تشخیص، دقت و امتیاز f1 محاسبه شدند. نرخ تشخیص در مدل Dense-UNet-CvT  حدود 98.22 درصد، دقت 98.59 درصد، f1 نیز 98.35 درصد و دقت 98.76 درصد ثبت شد. این عملکردها با مدل‌های فعلی ازنظر اعتبارسنجی مناسب مقایسه شدند که در آن مدل تحقیق عملکرد بهتری نسبت به سایر مدل‌ها داشت. مدل DenseUNet-CvT  پیشنهادی علاوه بر اینکه عملکرد برتر را در ارزیابی‌های متعدد نشان می‌دهد، اثربخشی آن را در شناسایی و طبقه بندی آلاینده‌های میکروپلاستیک در تصاویر هولوگرافیک نشان می دهد.

 

موضوع آلودگی میکروپلاستیک (MP) به یک موضوع تحقیقاتی مهم در سال‌های اخیر تبدیل شده است. در سال 2017، باتوجه به یافته های به دست آمده از بیش از 14 کشور در سراسر جهان، بسیاری از منابع آب آشامیدنی حاوی بیش از 83 درصد ذرات MP بودند. در سال 2018، حدود 93 درصد از آلاینده های میکروپلاستیک در بیش از 260 سازه آبی که آب آشامیدنی 11 کشور را تامین می کردند یافت شد. براساس یک تحلیل آماری، پیش بینی می شود میزان آلودگی زباله‌های خرد در دریاها و اقیانوس های جهان به حدود 236000 متریک تن برسد. در قله اورست، متوسط غلظت 30 میکرو زباله در هر لیتر آب یخچال طبیعی مشاهده شد درحالی که بیش از 2200 ذرات میکروپلاستیک در هر لیتر آب در عمیق ترین مناطق خندق ماریانا کشف شد. در انجمن اقتصاد جهانی (WEF) انتظار می رود تولید پلاستیک تا سال 2025 افزایش دو برابری داشته باشد و تا سال 2050 بیش از سه برابر افزایش یابد. درنتیجه، 33 میلیارد تن پلاستیک به سیستم اکولوژیکی جهان وارد می شود. اکوسیستم‌های آبی ازجمله سواحل، پای رود و رودخانه‌ها زیستگاه‌های اولیه‌ای هستند که میکروپلاستیک بیشتری را در خود جای داده اند. گزارشات بسیاری وجود میکروپلاستیک‌ها در محصولات غذایی ازجمله شکر، چای کیسه‌ای، بسته های نمک و خمیر میگو را تایید کرده اند. باتوجه به پیامدهای زیست محیطی، موجودات آبزی در زیستگاه‌های آبی میکروپلاستیک‌ها را می‌بلعند. یکی از اثرات میکروپلاستیک بر اکوسیستم‌های زمینی نفوذ آن به خاک است که منجر به تغییر ویژگی‌های شیمیایی خاک می‌شود. هوا نیز تحت تاثیر این آلاینده‌ها است همچون نفوذ میکروپلاستیک در زندگی انسان و جانداران.

 

"میکروپلاستیک" اغلب به ذرات پلاستیکی اطلاق می‌شود که اندازه کمتر از 10 میلی‌متر باشد. آلودگی میکروپلاستیک به عنوان یک نگرانی زیست محیطی و بهداشتی به طور فزاینده‌ای روبه افزایش است. طبقه بندی میکروپلاستیک مستلزم تحقیقات گسترده است. میکروپلاستیک به دو دسته اصلی اولیه و ثانویه تقسیم می‌شوند. میکروپلاستیک‌های اولیه ذرات پلاستیکی با اندازه میکروسکوپی هستند. این ذرات کاربرد گسترده‌ای در تولید لوازم آرایشی، پاک کننده‌های صورت و داروسازی دارند. میکروپلاستیک ثانویه از تجزیه مواد پلاستیکی بزرگتر در محیط‌های آبی و زمین به وجود می‌آید. میکروپلاستیک‌های ثانویه به عنوان عامل اصلی آلودگی در محیط‌های دریایی شناخته شده اند. تشخیص و طبقه بندی میکروپلاستیک در نمونه‌های محیطی یک فرایند دشوار و چالش برانگیز است که به روش‌های موثر و دقیق نیاز دارد. روش‌های متعددی برای شناسایی این ذرات در محیط‌های مختلف مانند محیط میکروسکوپی، تفکیک چگالی، طیف‌سنجی رامان، طیف مادون قرمز تبدیل فوریه (FTIR) و مدل های طبقه‌بندی تصویری مبتنی بر الگوریتم های DL و ML وجود دارد. به طور کلی، میکروپلاستیک ها را می توان براساس ترکیب فیزیکی آنها که اغلب شامل الیاف و ذرات کروی است دسته بندی کرد. علاوه براین، میکروپلاستیک ها را نیز می توان باتوجه به ترکیبات شیمیایی آنها ازجمله پلی آمید (PA)، پلی استایرن (PS)، پلی اتیلن (PE)، پلی پروپیلن (PP)، پلی وینیل الکل (PVA)، پلی یورتان (PU)، پلی اکسی متیلن (POM)، پلی متیل آکریلات (PMA)، پلی اتیلن ترفتالات (PET)، پلی وینیل کلرید (PVC) و دیگر مواد طبقه بندی کرد. در جدول زیر چگالی های مختلف در میکروپلاستیک ها نشان داده شده است که در جداسازی پلیمرها کاربرد دارند.

 

جدول 1:

 Types of microplastics with density range

 

در شکل زیر نیز انواع میکروپلاستیک طبقه بندی شده به صورت زیست تخریب پذیر و زیست تخریب ناپذیر ارائه شده است.

 

شکل 1:

 Biodegradable and non-biodegradable microplastics

 

 ارزیابی جامع خطرات احتمالی میکروپلاستیک بر محیط زیست و سلامت انسان مستلزم به کارگیری تکنیک‌های تحلیلی دقیق است. این تکنیک ها اغلب شامل روش های نمونه گیری، استخراج، جداسازی، تشخيص و ارزیابی كمّي (يا طبقه بندي) هستند.

 

جمع بندی و کلام آخر

در این مطالعه یک روش DL جدید، مدل Dense-UNet-CvT  باهدف شناسایی و طبقه بندی میکروپلاستیک با استفاده از تصاویر گرافیکی پیشنهاد شده است. هدف اصلی از این مطالعه که بهبود دقت تشخیص است، به عنوان یک مدل تحقیق پیشنهادی به طور موثر در تشخیص میکروپلاستیک عمل می کند. همانطور که این مدل براساس تکنیک های بصری و یادگیری عمیق توسعه یافت، مجموعه داده تصاویر هولوگرافیک میکروپلاستیک جمع آوری شده و برای ارزیابی مدل پیشنهادی استفاده شد. اندازه این تصاویر با استفاده از اینترپولیشن به 224 پیکسل تغییر کرده و پیش پردازش شدند. همچنین از روش بهبود تصویر RESHIE برای بهبود سطح روشنایی و کنتراست تصاویر استفاده شد. پس از بهبود، از تکنیک GABF برای حذف نویزهای پراکندگی موجود در تصاویر و بهبود کیفیت بصری تصاویر استفاده شد. از تصاویر پیش پردازش شده با استفاده از مدل Dense-UNet  برای تقسیم بندی معنایی استفاده شد. این فرایند به بهبود ویژگی های میکروپلاستیک کمک می کند که برای حرکت بعدی آنها که شناسایی و طبقه بندی ویژگی‌ها است، ضرورت دارد. به همین منظور، از مدل یادگیری عمیق CvT برای شناخت ویژگی‌های مفید استفاده شد و براساس ویژگی‌های شناخته شده دسته بندی کلاس‌های پلی اتیلن (PE)، پلی استایرن (PS)، پلی اتیلن سبک (LDPE)، PHA و مواد ناشناخته میکروپلاستیک در مجموعه داده جمع آوری شده انجام شد. به طور کلی، مدل پیشنهادیDense-UNet-CvT  عملکرد برتری در بین معیارهای ارزیابی چندگانه داشت که نشان دهنده اثربخشی آن در تشخیص و طبقه بندی میکروپلاستیک در تصاویر هولوگرافیک است. در آینده، مدل های یادگیری انتقالی می توانند با این مدل درجهت بهبود عملکرد تعمیم یافته سازگاری بیشتری داشته باشند. علاوه براین، سیستم های یکپارچه جمع آوری داده واقعی و استقرار مدل در تنظیمات میدانی نیز می‌تواند نظارت بر آلودگی میکروپلاستیک را تسهیل کند. بررسی رویکردهای چندوجهی مانند ادغام تصویربرداری هولوگرافیک با تحلیل طیف سنجی یا شیمیایی می تواند بینش جامعی از ویژگی های میکروپلاستیک ارائه دهد.