Ученые из Университета Торонто и Университетского колледжа Лондона предложили новый способ обнаружения и идентификации микропластика с использованием высокочастотного ультразвука и методов глубокого обучения. Они показали, что ультразвук можно применять не просто для визуализации, а для точного определения состава и размера микрочастиц. Эта разработка открывает путь к созданию компактных систем для оперативного мониторинга загрязнения воды фактически в режиме реального времени.
Проблема микропластика сегодня действительно стоит остро: частицы размером менее 5 миллиметров находят повсеместно – от арктических льдов до тканей человека. При этом существующие методы анализа, такие как Раман-спектроскопия, инфракрасная спектроскопия или электронная микроскопия, требуют сложной подготовки образцов, значительного времени и лабораторной инфраструктуры. Они дают высокую точность, но плохо подходят для массового и тем более полевого мониторинга. Нужен был метод, который работает быстро, не разрушает образец и потенциально может применяться непосредственно в природной среде.
Исследователи из Канады и Великобритании обратились к высокочастотному ультразвуку. Если в медицинской диагностике обычно используют частоты порядка 2-15 мегагерц, то здесь применялся преобразователь с частотой около 40 мегагерц. При таких параметрах длина звуковой волны становится сопоставимой с размерами частиц в десятки микрометров. В этом режиме возникают выраженные эффекты резонансного рассеяния: отраженный сигнал начинает зависеть не только от размера, но и от упругости и плотности материала. Проще говоря, полиэтилен, акрил, стекло и сталь формируют разные акустические «подписи».
В эксперименте микросферы диаметром от 20 до 330 микрометров помещали в агарозный гель с водоподобными акустическими свойствами и сканировали с шагом 10 микрометров. В каждой точке регистрировался временной сигнал отражения. В результате формировался трехмерный массив данных. Ключевой задачей было отделить сигналы, относящиеся к конкретным частицам, от фонового отклика среды. Для этого был разработан алгоритм поиска максимумов амплитуды с адаптивным порогом. Его точность при сравнении с оптической микроскопией превысила 96%.
Далее отраженные сигналы переводились в частотную область с помощью преобразования Фурье. Исследователи сначала извлекли из них 15 информативных характеристик, включая параметры распределения энергии по спектру. На этих признаках обучались классические модели машинного обучения. Однако наилучший результат показала одномерная сверточная нейросеть, которая анализировала спектры напрямую и самостоятельно выделяла значимые закономерности. Точность определения материала на уровне отдельной частицы составила 97,14%.
Для оценки размера использовались отдельные модели для каждого материала. Частицы были распределены по четырем диапазонам диаметров. Средняя точность классификации по размеру достигла 99,93%. Наибольшие трудности возникали при анализе самых мелких частиц из-за более низкого отношения сигнал-шум, однако в целом метод продемонстрировал высокую устойчивость.
С вычислительной точки зрения система также показала высокую эффективность: обработка достигает порядка 1500 сигналов в секунду, а классификация одной частицы занимает около 16 миллисекунд. Это позволяет говорить о возможности работы в режиме, близком к реальному времени.
Преимущество технологии в том, что она не требует химических реагентов и сложной пробоподготовки. Ультразвук эффективно распространяется в мутной воде и не зависит от оптической прозрачности среды. В перспективе метод можно интегрировать в проточные микрофлюидные системы, где частицы будут анализироваться непосредственно в потоке жидкости без предварительной фильтрации и фиксации.
