امروزه وجود میکروپلاستیک‌ها و تهدیدات بالقوه آنها برای سلامت آبزیان و انسان به یک نگرانی فزاینده عمومی تبدیل شده است. تصفیه‌خانه‌های فاضلاب به عنوان یکی از نقاط اصلی ورود میکروپلاستیک‌ها به پیکره‌های آبی به حساب می‌آیند. شناسایی میکروپلاستیک‌ها در تصفیه‌خانه‌های فاضلاب از روش‌های مختلفی امکان‌پذیر است. روش‌های رایج برای تجزیه و تحلیل میکروپلاستیک‌ها شامل مرتب‌سازی بصری[۱]، آنالیز طیف‌سنجی تبدیل فوریه فروسرخ تک نقطه‌ای[۲] (FT-IR) و آنالیز طیف‌سنجی تک نقطه‌ای رامان[۳] است که هر کدام با چالش‌هایی روبرو است: مرتب‌سازی بصری با چشم غیرمسلح یا از طریق میکروسکوپ‌های مخصوص و با کمک نیروی انسانی انجام پذیر است که این امر امکان بروز خطا را تا ۷۰% افزایش می‌دهد. طیف‌سنجی تک‌نقطه‌ای FT-IR و طیف‌سنجی تک نقطه‌ای رامان به‌خصوص هنگامی که تعداد زیادی از میکروپلاستیک‌ها در نمونه وجود داشته باشد، بسیار زمان‌بر است.
به منظور پاسخ به این چالش، دکتر وین پارکر[۴]، استاد گروه مهندسی عمران و محیط زیست دانشگاه واترلو کانادا، به همراه گروه تحقیقاتی خود از روش طیف‌سنجی پیشرفته برای ردیابی میکروپلاستیک‌ها استفاده کردند. این روش بر این اصل استوار است که هرگاه میکروپلاستیک‌ها تحت تابش نور قرار بگیرند، سیگنال‌های متفاوتی را ارسال می‌کنند. نکته مهم، منحصر به فرد بودن سیگنال‌های ارسالی است. در نتیجه می‌توان به راحتی میکروپلاستیک‌ها را از مواد غیر‌میکروپلاستیک تشخیص داد. به عبارتی دیگر سیگنال‌های ارسال شده مانند اثر انگشت، منحصر به فرد است.
اما یک چالش مهم دیگر در خصوص اثر انگشت یا سیگنال‌های برگشتی مواد، باقی مانده است. وجود مواد افزودنی به میکروپلاستیک‌ها تشخیص آنها را از مواد آلی دشوار کرده است. معمولاً در این مرحله نیروی انسانی برای کشف الگوها و نشانه‌های تطبیقی وارد عمل می‌شود. اما ورود نیروی انسانی موجب کندتر شدن فرآیند و افزایش ضریب خطا در فرآیند شناسایی میکروپلاستیک‌ها می‌شود. برای رفع این مشکل، دکتر پارکر با همکاری دکتر الکساندر وانگ[۵]، استاد گروه مهندسی طراحی سیستم در دانشگاه واترلو کانادا و صاحب کرسی تحقیقاتی کانادا در هوش مصنوعی و تصویربرداری پزشکی، ابزاری مبتنی بر هوش مصنوعی به نام PlasticNet را توسعه دادند. PlasticNet محققان را قادر خواهد ساخت تا تعداد زیادی از ذرات میکروپلاستیک را تقریباً ۵۰% سریع‌تر از روش‌های قبلی و در حدود ۲۰% افزایش دقت بررسی کنند.
PlasticNet با بیش از ۸۰۰۰ طیف پلاستیک و انواع طیف‌های پیچیده‌تر آموزش داده شد. PlasticNet توانست با وجود تغییرات در طیف‌های ناشی از تغییرات ضخامت میکروپلاستیک‌ها، آنها را با موفقیت شناسایی کند. مقایسه عملکرد PlasticNet در نمونه‌های واقعی نشان داد که این محصول می‌تواند دقت شناسایی میکروپلاستیک‌ها را ۱۷/۳% بهبود ببخشد. PlasticNet این قابلیت را دارد که به یک رویکرد استاندارد برای تشخیص خودکار، سریع و دقیق میکروپلاستیک‌ها تبدیل شود.
نتایج این تحقیق و آزمایشات مربوطه در قالب مقاله‌ای با عنوان “استفاده از یادگیری عمیق برای تشخیص خودکار میکروپلاستیک‌ها (MPs) از طریق تصویربرداری آرایه صفحه کانونی micro-FT-IR”[۶] در مجله “آلودگی محیطی”[۷] در نوامبر ۲۰۲۳ منتشر شده است. علاقمندان برای مطالعه بیشتر می‌توانند به اصل مقاله مراجعه کنند[۸].
[۱] Visual Sorting
[۲] Single-point Fourier Transform Infrared Spectroscopy (FT-IR) Analysis
[۳] Single-point Raman Spectroscopy Analysis.
[۴] Dr. Wayne Parker
[۵] Dr. Alexander Wong
[۸] Https://doi.org/10.1016/j.envpol.2023.122548 (Nov 2023)