Son zamanlarda, Çin Bilimler Akademisi Hefei Fiziksel Bilim Enstitüleri’nden bir araştırma ekibi, kızılötesi spektroskopide karışık mikroplastiklerin sınıflandırma doğruluğunu %98’e çıkaran yeni bir derin öğrenme yöntemi geliştirdi.
Bulguları yakın zamanda yayınlandı Mikrokimya Dergisi.
Mikroplastikler 5 mm’den küçük, farklı şekillerdeki plastik parçalardır. Bunlar, küresel çapta dikkat çeken dört önemli kirleticiden biridir. Mikroplastikler, boyutlarının küçük olması nedeniyle büyük plastiklere göre daha zararlıdır. Uygulamada sıklıkla karışımlar halinde ortaya çıkarlar ve karışım oranları spektral sinyalleri değiştirerek analiz edilmelerini zorlaştırır. Geleneksel makine öğrenimi yöntemleri yalnızca sınırlı spektral özellikleri yakalar ve bu da mikroplastik tanımlamanın doğruluğunu azaltır.
Bu çalışmada araştırmacılar, yüksek verimli dikkat mekanizmasını (CBAM) iki dallı evrişimli bir sinir ağına uyguluyorlar. İki dal, daha fazla spektral özellik çıkarmak için CBAM dikkat modülünün çıkışlarını birleştirir, böylece modelin sınıflandırma performansını optimize eder ve geleneksel algoritmalardan daha iyi performans göstererek %98’e kadar sınıflandırma doğruluğu elde eder.
CBAM modülü öncelikle anahtar kanalları tanımlamak için bir kanal dikkat modülünü kullanır. Daha sonra her kanaldaki önemli mekansal bölgeleri bulmak için mekansal dikkat modülünü kullanır. Son olarak, bir dikkat haritası oluşturur ve özellikleri iyileştirmek için bunu giriş özellik haritasıyla öğe bazında çarpar.
Ekibin bir üyesi olan Tong Jingjing, “Evrişimsel sinir ağlarının Grad-CAM aracılığıyla görselleştirilmesi, mikroplastiklerin karakterizasyonunda model tarafından seçilen önemli özellikleri daha açık bir şekilde gösteriyor” dedi.
