中国科学院生态环境中心环境化学与生态毒理学国家重点实验室刘倩等在基于深度神经网络图像识别的颗粒物溯源方面取得进展，研究成果以“Deep Neural Network-Based Electron Microscopy Image Recognition for Source Distinguishing of Anthropogenic and Natural Magnetic Particles”为题，在线发表于Environmental Science & Technology（DOI: 10.1021/acs.est.3c05252），并入选当期内封面。
基于深度学习的图像识别在很多领域都有广泛应用，如人脸识别等。但是，这些应用多侧重于宏观物体，目前仅有极少数研究报道了其在微观颗粒物上的应用。由于透射电镜（TEM）图像中的颗粒形态可以在一定程度上反映PM2.5的来源，因此研究人员将基于深度神经网络的图像识别模型应用于PM2.5的TEM图像识别中，并选择了磁性颗粒作为一种代表性PM2.5毒性组分来进行验证。
图1. 不同来源磁性颗粒的形貌特征
然而，TEM照片中包含杂乱的背景图像和尺度差异很大的颗粒物，这给图像识别带来了巨大挑战。因此，研究人员开发一种新型实例分割模型CoMask以解决这一问题。具体来说，开发了一个高密度连接的特征提取模块，以挖掘多尺度空间信息并扩大检测网络的感受野，从而有效提高表征能力；同时，提出了一种协作学习策略，以进一步提高模型性能。结果表明，在 MS COCO 和TEM数据集上，CoMask与其他图像识别模型相比具有更好的表现。
图2. CoMask网络和模块结构示意图
研究人员将CoMask应用于TEM图像中磁性颗粒的识别与分类，发现其可以对PM2.5中天然源与人为源（如交通源、燃煤源）的磁性颗粒物进行有效区分。基于这一技术，进一步对不同季节及不同污染程度下的大气磁性颗粒物的来源进行了研究。这一工作一方面为细颗粒物溯源提供了一种简便的新技术，另一方面也为深度学习在环境科学中的应用开辟了一个新的领域。
图3. 基于深度神经网络的图像识别模型在磁性颗粒物溯源中的应用
该工作由中科院生态环境中心和北京航空航天大学合作完成，通讯作者为刘倩研究员和肖瑾教授，共同第一作者为中心博士生刘琳及北航陈天佑博士。该研究得到了基金委“大气细颗粒物的毒理与健康效应”重大研究计划、“大气霾化学”基础科学中心、中科院稳定支持基础研究领域青年团队等项目的支持。
论文链接：https://doi.org/10.1021/acs.est.3c05252
会议室预定
