La pollution par les microplastiques (MPs) est devenue un défi environnemental majeur à l'échelle mondiale. Les méthodes traditionnelles de détection présentent de nombreuses limitations dans la détection des MPs, ce qui nécessite le développement de techniques de détection à haute sensibilité sans traitement préalable complexe. Pour résoudre le problème de la détection des MPs, cette étude a construit une nouvelle méthode de détection des MPs basée sur « substrat de capture par surface améliorée Raman - reconnaissance par apprentissage profond - cartographie d'activation pondérée par gradient (Grad-CAM) explicative ». Les résultats montrent que le substrat en éponge dorée peut efficacement capturer les MPs, et que les techniques d'augmentation et de prétraitement des données améliorent significativement la précision de prédiction du modèle. Le réseau d'apprentissage profond binaire multi-branches basé sur un réseau de neurones convolutifs unidimensionnel (1D-CNN) atteint une précision de classification des MPs de 85%, nettement supérieure aux modèles d'apprentissage automatique et aux modèles 1D-CNN conventionnels. L'analyse Grad-CAM montre clairement la base des décisions du modèle et les raisons des erreurs de classification. La méthode a été validée sur des échantillons d'eau environnementale réelle et des échantillons mixtes, démontrant une forte résistance au bruit et une bonne applicabilité ; les matériaux du substrat sont largement disponibles, la préparation est simple, offrant un avantage de coût et un bon potentiel d'application.

spectroscopie Raman à renforcement de surface;microplastiques;réseau de neurones convolutifs;apprentissage profond;cartographie d'activation pondérée par gradient