近日，巨乳a片
生态环境系统调控与治理团队在复杂高含沙水体微塑料智能识别与定量研究方面取得重要进展，研究成果以“Precise identification and validation of microplastics using deep learning models in the Yellow River”为题，发表于国际水环境领域权威期刊《Water Research》。
黄河是典型的高含沙河流，水体中大量悬浮泥沙形成强烈的背景噪声干扰，使常规深度学习模型难以准确提取微塑料的精细边缘特征。为突破这一瓶颈，研究团队以黄河郑州段实地水样为对象，系统构建并评估了涵盖ResNet与ResNeXt系列主干网络，以及FPN、DeepLabV3+、UNet和UNet++解码器的24种混合语义分割架构（图1）。
针对传统计算机视觉评价指标单一、难以全面反映模型性能的局限，研究提出了计数误差（CE）、背景复杂度（BC）和95%豪斯多夫距离（HD95）三项新指标，系统量化各模型的抗噪鲁棒性与边界保真度。在此基础上，研究引入梯度加权类激活映射（Grad-CAM）技术，揭示了模型的空间特征激活规律与注意力聚焦模式，并在严重泥沙杂质、微塑料颜色梯度、显微成像离焦模糊等复杂干扰场景下，对24种模型开展了实际部署与计算性能对比，结果表明最优架构在实际应用中具有优异的噪声抑制与边缘重建能力（图2）。
图1 黄河郑州段微塑料深度学习识别模型构建及验证流程
图2 24种模型架构在实际部署中的预测掩码可视化及计算性能评估
为确保定量结果的准确性，研究进一步采用微型傅里叶变换红外光谱（µ-FTIR）对模型输出进行原位多季节交叉验证（图3）。结果表明，模型预测的微塑料丰度与光谱实测数据高度一致，有效解决了以往研究中光学图像分割与化学定性分析相互脱节的问题。该研究不仅构建了一套可部署于普通显微镜平台和轻量级计算设备的高效智能检测流程，也为黄河流域水环境微塑料常态化监测与生态风险评估提供了关键的方法学支撑。
图3 深度学习模型与显微红外光谱（µ-FTIR）在黄河水体微塑料丰度定量中的一致性验证
河南农业大学为论文第一署名单位，巨乳a片
研究生罗永强与其导师桂新为论文共同第一作者，桂新与张发文教授为论文共同通讯作者。研究生于心雨、团队成员马丽为该研究提供了指导与支持。我校动物科技学院鲁煜健博士、蒋瑞瑞教授，河南省郑州生态环境监测中心赵长民，韶关学院沈阳，中国科学技术大学张鹏、吕亚萍等研究人员共同参与了该项研究。
论文链接：//doi.org/10.1016/j.watres.2026.127046
编辑/侯国栋 审核/赵振利 签发/王娟
