近年来，微塑料(Microplastics, MPs)污染正成为全球海洋生态系统面临的重大环境问题。自2004年被首次提出以来，微塑料已经在江河、湖泊、海洋乃至南北极冰层及马里亚纳海沟中被检测到。它们来源广泛，通常由塑料垃圾在光照、风化、波浪摩擦和生物降解等作用下逐渐破碎形成，尺寸小于5毫米，形态多样，包括颗粒、薄膜、纤维等。由于其轻质和高表面积特性，微塑料极易在水体中漂浮、悬浮、沉降或被生物摄入，进而沿食物链传递，对生态系统及人体健康构成潜在威胁。理解微塑料在水环境中的迁移与沉降规律，是评估其环境风险与制定治理措施的关键环节。然而，传统的沉降实验往往采用逐帧人工识别和单颗粒跟踪方式，效率低下且无法准确捕捉多颗粒同时运动时的流体动力学相互作用。此外，颗粒形态复杂、光学特性差异显著，也使得传统光学观测易受背景干扰。针对这些难题，浙江海洋大学曹露、方强和周英棠教授课题组，构建了一套融合人工智能与环境科学的新方法。他们在国际期刊Water Research上发表了题为 “Identification and velocity measurement of microplastics based on machine learning”的最新成果(DOI:10.1016/j.watres.2025.124846)。研究团队首次利用机器学习算法，实现了多颗粒微塑料在沉降过程中的实时识别与速度测量，为微塑料环境行为研究提供了高精度、自动化的新工具。
微塑料在水环境中经历漂浮、悬浮、聚集与沉降等复杂过程。由于粒径小、形态多样、易与其他颗粒形成絮团，传统单颗粒实验和理论模型难以准确反映其沉降规律。研究者指出，了解微塑料的沉降速度分布，是评估其迁移路径与生态风险的关键。
创新方法：YOLOv5-CA+DeepSORT智能识别系统
团队在计算机视觉与环境监测领域实现了跨界创新，他们结合了改进的YOLOv5-CA目标检测模型与DeepSORT跟踪算法，构建出可实时识别和追踪多颗粒微塑料的智能系统。YOLOv5-CA模型引入了“坐标注意力机制(Coordinate Attention)”，显著提升了对微小颗粒目标的识别精度；DeepSORT则通过深度特征匹配与卡尔曼滤波算法，实现了颗粒的稳定编号与轨迹还原。系统可在显微视频中实现99 %的检测成功率和85.3 %的平均识别精度，大幅优于传统人工或单颗粒算法。
图1 实验中使用的MPs(a)：PVC; (b)：PET; (c)：PA; (d)：PS; (e)：PVC的表面特性; (f)：PET的表面特性; (g)：PA的表面特性; (h)：PS的表面特性)。
图2 实验装置与沉降柱结构示意图。
图3 YOLOv5-CA模型架构图。
图4 DeepSORT跟踪算法流程图。
实验与验证
研究中使用了四种典型塑料：PVC(聚氯乙烯)、PET(聚对苯二甲酸乙二醇酯)、PA(聚酰胺)和PS(聚苯乙烯)，在不同粒径(1 mm与3 mm)下进行沉降实验。利用高分辨率相机实时采集沉降视频，并通过机器学习模型提取粒子轨迹和沉降速度。实验结果表明：模型测得的沉降速度与人工测量结果误差均低于1.7%；对小尺寸、高透明度颗粒仍保持>98%的识别准确率；实现了多颗粒实时同步追踪与速度分布统计(见图5)。
图5 多颗粒微塑料同步识别与沉降速度分布图。
研究还发现，颗粒间的流体尾迹效应(wake effect)会显著影响后续颗粒的沉降速度，为研究微塑料间的水动力学相互作用提供了新的量化工具。
本研究首次构建了一套结合深度学习与计算机视觉的智能分析框架，实现了多颗粒微塑料在沉降过程中的个体级识别与速度精准测量。研究团队将改进后的YOLOv5-CA检测模型与DeepSORT跟踪算法相融合，使系统能够在二维视频中对多个微塑料颗粒进行同时检测、自动编号与连续轨迹重建。实验结果显示，该框架在显微沉降实验中表现出99 %的检测成功率和85.3 %的平均识别准确率，相较传统人工分析法，测量误差小于1.7 %。这表明该方法能够在保持高通量和高精度的同时，大幅降低人工干预和数据处理时间。此外，通过多颗粒同时沉降实验，研究揭示了颗粒间的流体尾迹效应和水动力学耦合现象，为理解微塑料在自然水体中的聚集、沉降与迁移提供了新视角。总体而言，该研究不仅拓展了机器学习在环境监测领域的应用边界，也为微塑料迁移规律的量化研究提供了一种高效、可靠的新路径。未来，该框架有望与光谱识别、3D追踪技术相结合，实现对不同类型微塑料在复杂水环境中的自动识别、沉降预测与行为模拟。
浙江海洋大学为唯一通讯单位，曹露博士为本文的第一作者，浙江海洋大学方强和周英棠教授为本文的共同通讯作者,论文链接：https://doi.org/10.1016/j.watres.2025.124846
