Récemment, une équipe de recherche des instituts Hefei des sciences physiques de l'Académie chinoise des sciences a développé une nouvelle méthode d'apprentissage profond qui améliore à 98 % la précision de la classification des microplastiques mélangés en spectroscopie infrarouge.
Leurs conclusions ont été récemment publiées dans Journal microchimique.
Les microplastiques sont des fragments de plastique de taille inférieure à 5 mm et de formes différentes. Ils sont l’un des quatre principaux polluants émergents qui retiennent l’attention mondiale. En raison de leur petite taille, les microplastiques sont plus nocifs que les plastiques plus gros. En pratique, ils apparaissent souvent dans des mélanges et les rapports de mélange modifient les signaux spectraux, les rendant difficiles à analyser. Les méthodes traditionnelles d’apprentissage automatique ne capturent que des caractéristiques spectrales limitées, ce qui réduit la précision de l’identification des microplastiques.
Dans cette étude, les chercheurs appliquent le mécanisme d’attention hautement efficace (CBAM) à un réseau neuronal convolutif à deux branches. Les deux branches concatènent les sorties du module d'attention CBAM pour extraire davantage de caractéristiques spectrales, optimisant ainsi les performances de classification du modèle et atteignant une précision de classification allant jusqu'à 98 %, surpassant les algorithmes traditionnels.
Le module CBAM utilise d'abord un module d'attention aux canaux pour identifier les canaux clés. Il utilise ensuite un module d'attention spatiale pour localiser les régions spatiales importantes au sein de chaque canal. Enfin, il génère une carte d'attention et la multiplie élément par élément avec la carte des caractéristiques d'entrée pour affiner les caractéristiques.
« La visualisation des réseaux neuronaux convolutifs via Grad-CAM montre plus clairement les caractéristiques importantes sélectionnées par le modèle pour caractériser les microplastiques », a déclaré Tong Jingjing, membre de l'équipe.
