Des chercheurs des Instituts de physique de Hefei (Académie chinoise des sciences) ont développé une méthode d’apprentissage profond permettant de classer les microplastiques mixtes avec une précision de 98 %, une avancée majeure pour la surveillance environnementale. Publiée dans le Microchemical Journal, leur approche combine un réseau neuronal convolutionnel à double branche avec un mécanisme d’attention (CBAM), inspiré des systèmes cognitifs humains. Chaque branche du réseau traite différentes composantes spectrales issues de la spectroscopie infrarouge, tandis que le module CBAM identifie successivement les canaux et régions spatiales les plus pertinents avant de générer une carte d’attention pondérée, affinant ainsi les caractéristiques extraites. Cette architecture hybride permet de mieux distinguer les signatures complexes des mélanges de polymères, souvent altérées par les variations de composition. L’analyse visuelle via Grad-CAM met en évidence les zones spectrales clés exploitées par le modèle, apportant une interprétation physique des décisions de l’IA. Cette méthode surpasse largement les algorithmes classiques de classification spectrale, ouvrant la voie à des systèmes automatisés de tri et de suivi des microplastiques dans les milieux aquatiques ou atmosphériques. En intégrant la puissance de l’attention neuronale et de la vision spectrale, cette innovation rapproche l’analyse environnementale d’une surveillance en temps réel, fiable et reproductible des polluants plastiques à l’échelle microscopique.
https://phys.org/news/2025-11-ai-method-boosts-microplastic-classification.html