Загрязнение микропластиком (MPs) стало серьезной глобальной экологической проблемой. Традиционные методы обнаружения имеют множество ограничений при выявлении MPs, поэтому есть острая необходимость в разработке высокочувствительных методов без сложной предобработки. Для решения задачи обнаружения MPs было разработано новое методическое решение, основанное на 'поверхностном усилении Рамановского рассеяния - захвате субстрата - распознавании с помощью глубокого обучения - интерпретации с использованием градиентного взвешенного класса активации (Grad-CAM)'. Результаты показали, что золотой нанопенный субстрат эффективно захватывает MPs, а методы увеличения данных и предобработки значительно повышают точность прогноза модели. Многоотраслевая бинарная глубокая сеть на основе одномерной сверточной нейронной сети (1D-CNN) достигает точности классификации MPs до 85%, что значительно выше, чем у моделей машинного обучения и обычных моделей 1D-CNN. Анализ Grad-CAM ясно демонстрирует основу решений модели и причины ошибок. Метод был успешно протестирован на пробах реальной природной воды и смешанных образцах, показал высокую устойчивость к помехам и практичность; используемые материалы субстрата широко доступны, а процесс их изготовления прост, что обеспечивает экономические преимущества и хорошие перспективы применения.

поверхностно-усиленная рамановская спектроскопия;микропластик;сверточная нейронная сеть;глубокое обучение;градиентно-взвешенная карта активации