显微镜下，碎片各有各的模样：一片半透明的绿色薄片，一缕卷曲的深色细丝，一块内部夹着斑点的浅色碎片。下方这张美国地质调查局的照片，在毫米尺度上留下了这些差异。[5] 描述碎片的外观与辨明其中的材料，是两项不同的任务。

混合物让鉴别变得复杂：不同塑料的特征叠加在红外光谱中，随着组分比例变化，各个谱峰的相对高度也随之改变。2025 年 9 月 23 日，中国科学院合肥物质科学研究院公布了一项针对这一问题的神经网络分类研究。[1]

这个案例有助于理解 AI 如何处理仪器输出，也清楚呈现了解读样品与测量污染之间的区别。

混合物改变光谱读数

团队将双分支卷积神经网络与 CBAM（卷积块注意力模块）结合，再合并经过注意力处理的两路输出。据团队报告，分类准确率最高达到 98%，优于随机森林、支持向量机等对照方法。[1]

公告未披露样本数量、训练集与测试集的划分、完整的类别定义，以及独立实地验证的结果。[1] 因此，这个百分比可用来判断团队既定任务上的改进方向。将其解读为任意水样中 98% 的颗粒均能得到正确识别，则超出了已公布证据的范围。

值得追问的是，加入注意力模块后，网络的处理发生了什么变化。在 2018 年的 CBAM 原始论文中，Sanghyun Woo 等人介绍的模块，会依次对特征通道和特征图中的位置赋予权重。这些权重与网络的中间表示相乘，调整不同特征的相对侧重，再交给后续环节处理。该模块最初面向计算机视觉网络开发，并在图像分类、目标检测等任务中接受评估。[2]

这里的特征通道指网络内部学习到的表示，与独立的物理传感器是两个概念。理解了这一点，就能看清这种技术迁移：原本为视觉识别设计的组件，也能插入另一套卷积系统，调整各类特征受到的关注程度。CBAM 负责这种加权，合肥实验则为它在这项光谱分析中的应用提供证据。原论文的视觉实验结果，仍不足以单独验证化学识别的有效性。[2]

看清哪些特征影响了答案

团队还使用 Grad-CAM，检查哪些特征对分类结果较为重要。[1] 它与注意力模块承担的工作有所区别：CBAM 参与生成预测，Grad-CAM 则帮助人们审视已经生成的预测。

Grad-CAM 利用与目标类别相关的梯度，在卷积表示中定位对预测有较大影响的区域。作者将其介绍为探查模型决策及出错方式的一种方法。[3] 放在这项应用中，要考察的具体问题就是分类器所依据的光谱信息是否合理。具有说服力的解释，应当把影响较大的区域与分析人员预期的化学特征联系起来。

这样的检查属于诊断步骤。模型能否适应另一台仪器、陌生的混合物或一批新样品，仍需分别测试，单凭高亮区域还不足以回答。这一区别关系到如何理解解释结果：解释能让答案更便于审查，准确率却未必随之提高。

样品先于模型到场

分类之前，还有一系列实物处理工作。美国国家海洋和大气管理局（NOAA）的 2015 年实验室手册介绍了筛分、去除有机物、密度分离和显微镜检查等步骤。其中的水样方法针对尺寸约为 0.3 至 5 毫米的材料，附录还记载了环境样品的红外分析。[4]

这本手册展示了一套有明确规定的采样与制样流程，与合肥实验的具体操作应分开理解。它揭示了一个实际限制：分析人员首先要决定哪些材料进入测量环节。颗粒一旦穿过筛网，或在制样过程中丢失，分类器即使改进也无法将其找回。将混合物归入某个类别，也无法自动确定它在原水样中的浓度。

对于评估合肥方案的实验室，下一步有说服力的验证，应当跟踪标识明确的样品走完整个流程：报告分类中混淆了哪些混合物，测试独立于训练集采集的材料，并保留存疑的分类结果，供化学复核。这些是建议开展的检查，公告尚未给出相应结果。

这项中国 AI 应用的吸引力，在于它嵌入了一个明确的工作环节。光谱到达分析人员手中时，各种线索相互叠加，经过训练的模型有望帮助梳理。它能否改善环境调查，取决于模型答案能否始终与产生光谱的碎片、制样步骤和测量过程相联系。

来源

1. 中国科学院合肥物质科学研究院，《红外光谱识别混合微塑料的研究进展》（标题译写），2025 年 9 月 23 日——中文一手公告。
2. Sanghyun Woo 等，《CBAM: Convolutional Block Attention Module》（CBAM：卷积块注意力模块），2018 年 7 月 18 日，第 2 版；获 ECCV 2018 接收——通道与空间注意力，以及原始评估所覆盖的领域。
3. Ramprasaath R. Selvaraju 等，《Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization》（Grad-CAM：基于梯度定位的深度网络视觉解释），2019 年 12 月 3 日，第 4 版——基于梯度的定位与模型检查。
4. Julie Masura 等，《Laboratory Methods for the Analysis of Microplastics in the Marine Environment》（海洋环境微塑料分析的实验室方法），NOAA 技术备忘录 NOS-OR&R-48，2015 年 7 月——水样方法与粒径范围见印刷页码第 5–11 页；红外分析见第 30 页。
5. 美国地质调查局，《Microscope image of microplastic fragments》（显微镜下的微塑料碎片），约 2019 年，公有领域——目录记录；USGS 媒体档案中的原始照片。