A poluição por microplásticos (MPs) tornou-se um grande desafio ambiental global. Os métodos tradicionais de detecção apresentam várias limitações na detecção de MPs, sendo urgente desenvolver técnicas de detecção de alta sensibilidade sem necessidade de pré-tratamento complexo. Para resolver o problema da detecção de MPs, este estudo construiu um novo método de detecção de MPs baseado em 'substrato de captura por espectroscopia Raman com aumento de superfície - reconhecimento por aprendizado profundo - mapeamento de ativação ponderada por gradiente (Grad-CAM) explicativo'. Os resultados mostram que o substrato de esponja de ouro pode capturar MPs de forma eficaz, e as técnicas de aumento e pré-processamento de dados melhoram significativamente a precisão preditiva do modelo. A rede profunda binária de múltiplos ramos baseada na rede neural convolucional unidimensional (1D-CNN) alcança uma precisão de classificação dos MPs de 85%, significativamente superior aos modelos de aprendizado de máquina e aos modelos 1D-CNN convencionais. A análise Grad-CAM pode mostrar claramente as bases para as decisões do modelo e os motivos dos erros. O método foi validado em amostras reais de água ambiental e em amostras mistas, apresentando alta resistência a interferências e boa aplicabilidade; os materiais do substrato são amplamente disponíveis, a preparação é simples, oferecendo vantagens de custo e bom potencial de aplicação.

espectroscopia Raman com aumento de superfície;microplásticos;rede neural convolucional;aprendizado profundo;mapeamento de ativação ponderada por gradiente