We can't find the internet
Attempting to reconnect
Something went wrong!
Hang in there while we get back on track
A comparison of machine learning techniques for the detection of microplastics
Summary
This German-language study compared machine learning algorithms for classifying microplastics based on their infrared spectra, finding that several methods could reliably distinguish polymer types. Automating microplastic identification through machine learning could greatly increase the speed and throughput of environmental monitoring.
Mikroplastik ist nicht nur in Meer- und Abwasser gefunden worden, sondern auch in Frisch- und Trinkwasser. Die Analyse dieser Plastikpartikeln beinhaltet die Probenentnahme und deren Aufarbeitung im Labor sowie die abschließende Identifikation. Fourier-Transform-Infrarot (FTIR) Spektren können dazu verwendet werden, um Mikroplastik zu charakterisieren, indem sie mit Hilfe von Maschinellem Lernen klassifiziert werden. Die Python-Bibliothek Scikit-learn bietet eine Vielzahl an Methoden für diesen Bereich. Außerdem kann die Software ImageLab verwendet werden, um FTIR Spektren von Mikroplastik zu klassifizieren.Drei verschiedene Algorithmen für die Klassifizierung von Mikroplastik wurden in dieser Arbeit miteinander verglichen. Im Speziellen wurden k Nearest Neighbors (kNN) und Support Vector Machine (SVM) Klassifikatoren mit Hilfe von Scikit-learn implementiert. Das Training der kNN und SVM Klassifikatoren beinhaltet auch eine Hyper-Parameter Optimierung, um die besten Einstellungen für den Algorithmus zu finden. Außerdem wurden noch die in ImageLab bereits vorhandenen Random Decision Forest (RDF) Klassifikatoren ausgewertet.Die Genauigkeit und der Matthews Korrelationskoeffizient des RDF zeigten ähnliche Werte wie SVM und waren nur geringfügig besser als bei kNN. SVM weist lange Trainingszeiten auf und kNN lange Anwendungszeiten. Der erstgenannte Punkt ist nur ein kleineres Problem, da das Training nur einmal durchgeführt werden muss. Der zweitgenannte Punkt limitiert jedoch kNN in der praktischen Anwendung, da dort oft sehr große Datenmengen analysiert werden müssen.Die Klassifikation von Mischspektren zeigte, dass kNN und SVM dazu tendieren, einzelne Pixel verschiedenen Klassen zuzuordnen, die tatsächlich gar nicht vorhanden sind. Im Gegensatz dazu, weist der RDF Klassifikator nur die beiden vorhandenen Polymer-Klassen oder die Non-Polymer-Klasse zu. Diese falsch klassifizierten Pixel bei kNN und SVM können möglicherweise durch die Nachverarbeitung verhindert werden. Dabei wird die Ausgabe der binären Klassifikatoren weiterverarbeitet anstatt nur die wahrscheinlichste Klasse zuzuordnen.
Sign in to start a discussion.
More Papers Like This
Classifying polymers with mid-IR spectra and machine learning: From monitoring to detection
Researchers applied machine learning to mid-infrared spectra to automatically classify different types of plastic polymers found in the environment. Accurate polymer identification is essential for microplastic research, and this automated approach could improve monitoring efficiency and data consistency across studies.
Identification of Polymers with a Small Data Set of Mid-infrared Spectra: A Comparison between Machine Learning and Deep Learning Models
Researchers compared multiple machine learning and deep learning models for identifying polymer types from mid-infrared spectral data using a small reference dataset, finding that certain deep learning architectures outperformed traditional methods even with limited training examples, supporting automated microplastic identification.
Detection of Microplastics Using Machine Learning
Researchers reviewed and demonstrated machine learning approaches for detecting and classifying microplastics in environmental samples, finding that automated image analysis and spectral classification methods can improve the speed and accuracy of microplastic monitoring compared to manual methods.
A Comparative Study of Machine Learning and Deep Learning Models for Microplastic Classification using FTIR Spectra
Researchers compared machine learning and deep learning models for classifying microplastics using FTIR spectra, evaluating multiple algorithmic approaches against standardised spectral datasets. The study assessed classification accuracy and computational efficiency, identifying which model architectures best discriminate between polymer types in environmental microplastic samples.
Training and evaluating machine learning algorithms for ocean microplastics classification through vibrational spectroscopy
Researchers evaluated multiple machine learning algorithms for automatically classifying ocean microplastics using infrared spectroscopy data across 13 polymer types. The study found that Support Vector Machine classifiers provided the best balance of simplicity and accuracy, offering a practical tool for faster and more reliable identification of microplastic contaminants.