Mikroplastik (MPs)-Verschmutzung ist zu einer bedeutenden globalen Umweltproblematik geworden. Traditionelle Nachweismethoden weisen zahlreiche Einschränkungen bei der Erkennung von MPs auf, weshalb dringend die Entwicklung hochempfindlicher Nachweistechnologien ohne komplexe Probenvorbereitung erforderlich ist. Um das Problem der MPs-Erkennung zu lösen, wurde in dieser Studie eine neuartige Nachweismethode entwickelt, die auf 'Oberflächenverstärkter Raman-Streuung Substrat-Erfassung - Deep-Learning-Erkennung - Gradienten-gwichtete Klassenaktivierungskartierung (Grad-CAM) Erklärung' basiert. Die Ergebnisse zeigen, dass goldene Nano-Schwamm-Substrate MPs effektiv erfassen können, und Datenaugmentation sowie Vorverarbeitungstechniken die Vorhersagegenauigkeit des Modells signifikant verbessern. Das auf einem eindimensionalen Faltungsneuronalen Netzwerk (1D-CNN) basierende mehrzweigige binäre Deep-Learning-Netzwerk erreicht eine Klassifikationsgenauigkeit von 85% bei MPs, was deutlich höher ist als bei maschinellen Lernmodellen und herkömmlichen 1D-CNN-Modellen. Die Grad-CAM-Analyse zeigt klar die Entscheidungsbasis des Modells und die Gründe für Fehlklassifikationen. Die Methode wurde an realen Umweltwasserproben und Mischproben validiert, weist eine hohe Störfestigkeit und Praktikabilität auf; die verwendeten Substratmaterialien sind weit verbreitet, und die Herstellung ist einfach, was Kostenvorteile und gutes Anwendungspotenzial bietet.

oberflächenverstärkte Raman-Spektroskopie;Mikroplastik;Faltungsneuronales Netzwerk;Deep Learning;gradientengewichtete Klassenaktivierungskartierung