La contaminación por microplásticos (MPs) se ha convertido en un importante desafío ambiental global. Los métodos tradicionales de detección tienen muchas limitaciones para detectar MPs, por lo que es urgente desarrollar técnicas de detección altamente sensibles sin necesidad de un pretratamiento complejo. Para resolver el problema de la detección de MPs, este estudio construyó un nuevo método de detección para MPs basado en 'captura en sustrato de espectroscopía Raman con aumento de superficie - reconocimiento con aprendizaje profundo - mapeo de activación ponderada por gradientes (Grad-CAM) explicativo'. Los resultados muestran que el sustrato de esponja de oro puede capturar eficazmente los MPs, y las técnicas de aumento y preprocesamiento de datos mejoran significativamente la precisión predictiva del modelo. La red de aprendizaje profundo binaria de múltiples ramas basada en la red neuronal convolucional unidimensional (1D-CNN) alcanza una precisión de clasificación de MPs del 85%, significativamente superior a los modelos de aprendizaje automático y los modelos 1D-CNN convencionales. El análisis Grad-CAM puede mostrar claramente las bases de las decisiones del modelo y las razones de los errores. El método fue validado en muestras de agua ambiental real y en muestras mixtas, mostrando alta resistencia a interferencias y buena aplicabilidad; los materiales del sustrato son ampliamente disponibles, la preparación es sencilla, ofreciendo ventajas de costo y buen potencial de aplicación.

espectroscopía Raman amplificada en superficie;microplásticos;red neuronal convolucional;aprendizaje profundo;mapeo de activación ponderada por gradientes