《Microplastics》：Automated Quantification of Fibrous Microplastics Using Attention Meta U-Net with Advanced Image Processing
编辑推荐：
微塑料（microplastics, MPs），特别是源自合成纺织品的纤维状微塑料（fibrous microplastics, FMPs）的广泛释放，因其持久性、迁移性以及在水生和陆地生态系统中的潜在生物累积效应，对环境系统构成日益严重的威胁。传统的重量分析
微塑料（microplastics, MPs），特别是源自合成纺织品的纤维状微塑料（fibrous microplastics, FMPs）的广泛释放，因其持久性、迁移性以及在水生和陆地生态系统中的潜在生物累积效应，对环境系统构成日益严重的威胁。传统的重量分析法（gravimetric methods, GMs）仍是评估FMP脱落量的主要方法，但受限于滤膜的水分敏感性、洗涤剂和矿物造成的假阳性、环境污染以及单个纤维的劳动密集型手动测量等局限。为克服上述不足，研究人员开发了一种自动图像分析（automated image analysis, AIA）框架，该框架将基于注意力机制的U-Net架构与元学习模块相结合，用于从完整滤膜膜的拼接显微图像中定量分析FMP的数量、长度、直径和质量。该方法可实现直径低至28 μm的纤维检测，空间分辨率达2.17 μm/像素，支持目标颜色和多颜色分析，且无需手动表征或从膜部分片段进行外推。该方法在特定颜色纤维检测中实现了约98%的最高准确率，正确识别了263根白色纤维中的257根，并在黑色、红色和绿色纤维检测中表现出同样稳健的性能，同时最大限度减少了非目标颜色的干扰，即使这些纤维发生重叠。多颜色检测进一步通过含有混合颜色纤维的出水样品进行了验证。总体而言，所开发的系统提高了FMP分析的准确性、效率和可重复性，为MP污染的环境监测提供了一种标准化且可扩展的方法。
该研究聚焦于纤维状微塑料（FMPs）的自动检测与定量分析，旨在解决传统分析方法存在的效率低、误差大及适用性受限等问题。
纺织品洗涤过程中释放的FMPs已成为微塑料污染的重要来源。尽管已有多种检测手段，如重量分析法（GMs）、手动计数法、纳米颗粒跟踪分析（NTA）及动态光散射技术等，但这些方法均存在显著缺陷。GMs易受滤膜水分影响，且洗涤剂残留会导致质量测量偏差；手动计数法耗时费力，通常仅分析滤膜局部区域，导致数据代表性不足且统计可靠性降低。此外，现有自动图像分析（AIA）技术难以有效区分环境复杂污染物、检测重叠纤维、识别小粒径纤维，且缺乏全膜分析能力及模型泛化性不足。为应对上述挑战，研究人员开发了一种基于注意力元学习U-Net架构的AIA框架，实现了对合成纺织品脱落FMPs的高精度定量表征。
该研究的主要结论包括：所提出的AIA框架可准确量化FMPs的数量、长度、直径及质量；在特定颜色纤维检测中准确率约为98%；支持多颜色混合样品的自动识别与分类；分析单张滤膜仅需约45秒，显著优于传统手动方法；该成果发表于《Microplastics》期刊，为环境MP监测提供了标准化、可扩展的技术方案。
研究所采用的关键技术方法如下。样本来源方面，选用四种商用100%聚酯纤维织物（黑色PB、白色PW、红色PR、绿色PG），按ISO 4484-1:2023标准进行洗涤实验，使用去离子水在40°C条件下洗涤45分钟，转速40 rpm。图像采集方面，采用聚醚砜（PES）滤膜（47 mm，0.22 μm）进行真空过滤，利用Keyence数码显微镜（VHX-S650E）获取约600张独立图像并拼接成完整滤膜图像，最终分辨率达17,549×17,749像素，空间分辨率2.17 μm/像素。核心算法方面，构建注意力元学习U-Net深度学习架构，集成RGB统计元特征提取模块（均值μ与标准差σ）、注意力机制模块及解码器上采样模块，结合分水岭分割、距离变换、骨架化提取等后处理技术实现纤维精确分割与定量。验证方法方面，以手动计数为金标准，通过Apple iPad和Pencil直接在拼接图像上进行逐纤维标注比对。
研究结果部分围绕四个核心主题展开。
"目标颜色纤维的检测、标注与定量分析"部分，研究人员展示了AIA系统对单色FMPs的识别能力。针对PB织物的分析中，模型检测到158根黑色纤维，长度范围0.024–0.783 mm，直径28–226 μm，最小可检测直径经ImageJ 1.51j8手动验证为28 μm。空间分布分析显示纤维在整个膜表面均匀分散，无明显空间偏差。针对PW织物的分析中，AIA检测到257根白色纤维，与手动计数的263根相比准确率约98%，长度24–955 μm，直径39–199 μm。白色纤维因透明或半透明特性在光学显微镜下呈灰色，对比度低，自动检测难度较大。PR织物检测到514根红色纤维，长度24–734 μm，直径48–476 μm；PG织物检测到897根绿色纤维，形态变异显著。值得注意的是，白色纤维的像素面积分布较红色和绿色纤维更为集中，表明其形态均一性更高，而红、绿色纤维的异质性可能源于颜料层叠及后续颜色脱落导致的碎片化沉积。
"纤维检测与污染物排除机制，包括重叠纤维处理"部分，详述了检测流程的技术细节。通过裁剪原始图像的局部区域进行纤维分割，排除不同颜色纤维及潜在非纤维污染物的干扰。注意力块在U-Net中选择性增强跳跃连接特征，而元学习器基于图像统计信息调制瓶颈特征，提升模型对不同成像条件的泛化能力。后处理阶段采用分水岭分割、距离变换和骨架化技术确保重叠纤维的准确分离与定量。图4展示了从原始图像到最终黑色纤维分割的完整流程，包括二值掩膜生成、连通分量分析、模型置信度图指导阈值分割等关键步骤，体现了该流程的稳健性与透明性。
"检测纤维的强度综合表征"部分，研究人员从强度分布、三维表面表征及剖面分析三个维度展开。图5A将强度分布叠加至原始图像中的检测纤维上，保留上下文信息的同时突出像素级亮度变异，有助于区分不同材料组成、密度或照明条件下的纤维。三维表面表征将像素强度视为地形高度，明亮区域凸起、暗区凹陷，可揭示厚度变化及重叠纤维（图5B）。剖面分析则沿选定纤维轨迹绘制强度值，捕捉局部亮度波动（图5C）。此外，还提取了径向强度剖面、纵向强度剖面、强度-宽度关系、局部对比度分布及方向-强度表征等定量图像特征，为纤维光学和几何性质的全面评估提供了多维数据支持。
"多颜色纤维分析"部分，研究人员模拟真实脱落条件，将不同颜色织物的洗出水混合过滤生成异质性样品。AIA系统成功识别并分类了混合样品中的各色纤维：白色22.3%、黑色26.6%、红色23.5%、绿色27.4%、其他颜色0.2%（图6C）。与GMs相比，AIA得出的FMP质量值较低，原因在于GMs捕获了水分、矿物残留及非纤维污染物的总重量，而AIA仅基于体积-密度计算目标材料的理论质量。混合纤维滤膜的GMs测定值为0.34±0.049 mg，而AIA量化的红、白、黑、绿色纤维理论质量分别约为0.052 mg、0.048 mg、0.061 mg、0.057 mg（标准差0.02）。尽管存在模型检测数量与精度的影响，该框架仍为脱落纤维质量估算及后续方法优化奠定了基礎。系统局限性在于对预定义颜色类别之外的纤维分类能力降低。
讨论部分，研究人员首先将所提方法与现有技术进行了系统比较。早期图像处理方法（如基于阈值的轮廓与连接点检测）二值准确率约95%，但难以处理复杂形态和重叠纤维；TUM-ParticleTyper等工具在团聚或密集缠绕样品中可靠性下降；U-Net深度学习模型虽改善了纤维检测，但在一致检测不同成像条件下的纤维方面仍有不足；专门用于分离缠绕纤维的方法检测准确率相对较低。相比之下，注意力机制与元特征驱动自适应相结合的U-Net架构实现了高达98%的准确率，在处理强度、颜色变异及重叠结构方面表现出优越的准确率和泛化能力。该研究的环境意义在于实现了FMPs的准确、可扩展定量，这对评估纺织品衍生污染至关重要，支持了更可靠的减缓策略评估和数据驱动的环境监测管理。
现有框架的局限包括：无法提供化学光谱信息或识别不同聚合物类型，因为像素级图像分析无法捕获分子特征信号；尽管能成功分离包括多色重叠在内的重叠纤维，但在交叉区域不可避免地因遮挡而丢失空间细节。未来可整合多光谱或高光谱成像以实现聚合物特异性光谱表征，克服化学识别的局限。
研究结论部分翻译如下：该研究提出了一种用于量化纺织品洗涤过程中释放FMPs的自动化框架，较现有分析方法实现了显著改进。通过将模型应用于全膜拼接图像，研究人员展示了其在多种颜色和形态下对纤维的可靠检测、分割与表征能力。该系统准确识别了多色纤维，并在混合颜色样品中区分目标颜色纤维，即使存在重叠亦表现稳健，凸显了其在真实条件下的可靠性。这些结果表明，自动分析可以替代劳动密集型的手动计数，将每张滤膜的处理时间从数小时缩短至约45秒，同时保持高准确性。除计数准确性外，该框架还提供了一致的几何和质量估算，避免了重量分析法相关的水分敏感性和假阳性问题。对整个滤膜的分析消除了采样偏差，增强了可重复性，支持对纺织品衍生FMP污染进行更标准化、可扩展的监测。尽管该模型尚无法恢复纤维交叉处的结构信息或区分天然与合成纤维，但这些局限指明了未来的发展方向，包括实时监测和与材料特异性分类器的整合。总体而言，该方法为下一代高通量环境MP分析奠定了坚实基础。
