CN115639354B - 一种海洋塑料识别方法及装置 - Google Patents

一种海洋塑料识别方法及装置 Download PDF

Info

Publication number
CN115639354B
CN115639354B CN202211645479.5A CN202211645479A CN115639354B CN 115639354 B CN115639354 B CN 115639354B CN 202211645479 A CN202211645479 A CN 202211645479A CN 115639354 B CN115639354 B CN 115639354B
Authority
CN
China
Prior art keywords
marine
plastic
identified
sample
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211645479.5A
Other languages
English (en)
Other versions
CN115639354A (zh
Inventor
李建军
吴昊
吴博
庞承焕
谢晓琼
李卫领
陈平绪
叶南飚
杨茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guogao High Polymer Material Industry Innovation Center Co Ltd
Original Assignee
Guogao High Polymer Material Industry Innovation Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guogao High Polymer Material Industry Innovation Center Co Ltd filed Critical Guogao High Polymer Material Industry Innovation Center Co Ltd
Priority to CN202211645479.5A priority Critical patent/CN115639354B/zh
Priority to PCT/CN2023/071470 priority patent/WO2024130801A1/zh
Publication of CN115639354A publication Critical patent/CN115639354A/zh
Application granted granted Critical
Publication of CN115639354B publication Critical patent/CN115639354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G01N27/626—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using heat to ionise a gas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/44—Resins; Plastics; Rubber; Leather
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/40—Population genetics; Linkage disequilibrium
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/10—Sequence alignment; Homology search
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G16B50/10—Ontologies; Annotations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioethics (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Medicinal Chemistry (AREA)
  • Ecology (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Chemical Kinetics & Catalysis (AREA)

Abstract

本发明公开了一种海洋塑料识别方法及装置，所述方法包括：根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，获取待识别塑料样品的海洋细菌总含量；根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点；当海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定待识别塑料样品为海洋塑料。采用本发明所提出的海洋塑料识别方法及装置提高了对于海洋塑料的识别精度。

Description

一种海洋塑料识别方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种海洋塑料识别方法及装置。
背景技术
海洋中的塑料垃圾只是放错了位置的资源，对海洋塑料进行有组织的清理不但可以避免塑料在海洋中形成微塑料污染，同时能保护生态；另外对于有组织回收的塑料垃圾实施回收再利用不但扩展了再生资源的来源，还能减少因为塑料垃圾打捞上岸后直接焚烧带来的碳排放。
由于海洋环境和陆地环境存在巨大差异，从海洋环境中获取的海洋塑料和陆地中获取的塑料在理化性质以及表面附着物等方面也会存在一些差异。比如海洋塑料会受到所处海洋环境、海洋污损生物、海洋细菌等的持续作用，并在表面留下特征形貌，并使组成成分发生变化。
现有的海洋塑料识别方法中由于仅通过人工目测的方式进行识别，会导致海洋塑料的识别精度不高。
发明内容
本发明实施例提供一种海洋塑料识别方法及装置，提高了对于海洋塑料的识别精度。
本申请实施例的第一方面提供了一种海洋塑料识别方法，包括：
根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；
根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，获取待识别塑料样品的海洋细菌总含量；
根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点；
当海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定待识别塑料样品为海洋塑料。
在第一方面的一种可能的实现方式中，根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的测试数据进行归一化处理后，建立第一特征空间；
根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量进行归一化处理后，作为第一待识别数据样本；
根据KNN算法，计算第一待识别数据样本和第一特征空间之间的欧式距离，根据欧式距离计算第一待识别数据样本的归属数据点；
当第一待识别数据样本的归属数据点中，归属于非海洋塑料的数据点的数量大于归属于海洋塑料的数据点的数量时，初次判定待识别塑料样品为非海洋塑料。
在第一方面的一种可能的实现方式中，根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的海洋细菌总含量数据进行归一化处理后，建立第二特征空间；
将海洋细菌总含量作为第二待识别数据样本；
根据KNN算法，计算第二待识别数据样本和第二特征空间之间的欧式距离，根据欧式距离计算海洋细菌总含量的归属数据点。
在第一方面的一种可能的实现方式中，根据待识别塑料样品获取相应的海洋塑料相似度，具体为：
获取待识别塑料样品的特征形貌，将待识别塑料样品的特征形貌与预设海洋塑料特征形貌数据库中的数据进行比对，根据特征形貌比对结果计算得到待识别塑料样品相应的海洋塑料相似度并获取。
在第一方面的一种可能的实现方式中，还包括：
获取待识别塑料样品的表面吸附物红外图谱，将待识别塑料样品的表面吸附物红外图谱与预设海洋塑料红外光谱数据库中的数据进行比对，根据红外图谱比对结果计算得到待识别塑料样品相应的海洋塑料图谱匹配度。
在第一方面的一种可能的实现方式中，还包括：
获取待识别塑料样品的表面吸附物，根据表面吸附物进行SEM-EDS测试，根据测试结果获得待识别塑料样品的表面元素含量。
本申请实施例的第二方面提供了一种海洋塑料识别装置，包括：获取模块、第一判定模块、计算模块和第二判定模块；
其中，获取模块用于根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；
第一判定模块用于根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，获取待识别塑料样品的海洋细菌总含量；
计算模块用于根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点；
第二判定模块用于当海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定待识别塑料样品为海洋塑料。
在第二方面的一种可能的实现方式中，根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的测试数据进行归一化处理后，建立第一特征空间；
根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量进行归一化处理后，作为第一待识别数据样本；
根据KNN算法，计算第一待识别数据样本和第一特征空间之间的欧式距离，根据欧式距离计算第一待识别数据样本的归属数据点；
当第一待识别数据样本的归属数据点中，归属于非海洋塑料的数据点的数量大于归属于海洋塑料的数据点的数量时，初次判定待识别塑料样品为非海洋塑料。
在第二方面的一种可能的实现方式中，根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的海洋细菌总含量数据进行归一化处理后，建立第二特征空间；
将海洋细菌总含量作为第二待识别数据样本；
根据KNN算法，计算第二待识别数据样本和第二特征空间之间的欧式距离，根据欧式距离计算海洋细菌总含量的归属数据点。
在第二方面的一种可能的实现方式中，根据待识别塑料样品获取相应的海洋塑料相似度，具体为：
获取待识别塑料样品的特征形貌，将待识别塑料样品的特征形貌与预设海洋塑料特征形貌数据库中的数据进行比对，根据特征形貌比对结果计算得到待识别塑料样品相应的海洋塑料相似度并获取。
相比于现有技术，本发明提供的一种海洋塑料识别方法及装置，所述方法包括：根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，获取待识别塑料样品的海洋细菌总含量；根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点；当海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定待识别塑料样品为海洋塑料。
其有益效果在于：本发明在根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，进一步根据海洋细菌总含量和KNN算法，对待识别塑料样品是否为海洋塑料进行识别。本发明能够在初次判定待识别塑料样品为非海洋塑料时，进一步根据算法和海洋细菌总含量对待识别塑料样品进行判断，避免仅根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量进行判断而导致的错判问题，提高了识别海洋塑料的准确性；同时，本发明通过算法对待识别塑料样品的数据进行自动化识别与分类，能够避免现有技术中由于人工目测的方法而导致的识别精度不高的问题，大大提高了对于海洋塑料的识别精度以及识别效率。
进一步地，本发明在获取待识别塑料样品的海洋塑料相似度、海洋塑料图谱匹配度、元素含量和海洋细菌总含量的过程中，根据待识别塑料样品的不同特征分步进行检测，提升检测效率和结果准确度的同时，还可降低检测成本。
附图说明
图1是本发明一实施例提供的一种海洋塑料识别方法的流程示意图；
图2是本发明一实施例提供的塑料样品一的示意图；
图3是本发明一实施例提供的塑料样品二的示意图；
图4是本发明一实施例提供的塑料样品三的示意图；
图5是本发明一实施例提供的塑料样品四的示意图；
图6是本发明一实施例提供的塑料样品四的特征形貌示意图；
图7是本发明一实施例提供的塑料样品四的表面吸附物取样位置示意图；
图8是本发明一实施例提供的一种海洋塑料识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，是本发明一实施例提供的一种海洋塑料识别方法的流程示意图，包括S101-S104：
S101：根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量。
在本实施例中，所述根据所述待识别塑料样品获取相应的海洋塑料相似度，具体为：
获取所述待识别塑料样品的特征形貌，将所述待识别塑料样品的特征形貌与预设海洋塑料特征形貌数据库中的数据进行比对，根据特征形貌比对结果计算得到所述待识别塑料样品相应的海洋塑料相似度并获取。
在一具体实施例中，还包括：
获取所述待识别塑料样品的表面吸附物红外图谱，将所述待识别塑料样品的表面吸附物红外图谱与预设海洋塑料红外光谱数据库中的数据进行比对，根据红外图谱比对结果计算得到所述待识别塑料样品相应的海洋塑料图谱匹配度。
在一具体实施例中，还包括：
获取所述待识别塑料样品的表面吸附物，根据所述表面吸附物进行SEM-EDS测试，根据测试结果获得所述待识别塑料样品的表面元素含量。
S102：根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，获取待识别塑料样品的海洋细菌总含量。
在本实施例中，所述根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的测试数据进行归一化处理后，建立第一特征空间；
根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量进行归一化处理后，作为第一待识别数据样本；
根据KNN算法，计算所述第一待识别数据样本和所述第一特征空间之间的欧式距离，根据所述欧式距离计算所述第一待识别数据样本的归属数据点；
当所述第一待识别数据样本的归属数据点中，归属于非海洋塑料的数据点的数量大于归属于海洋塑料的数据点的数量时，初次判定所述待识别塑料样品为非海洋塑料。
S103：根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点。
在本实施例中，所述根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点，具体为：
根据所述海洋塑料数据库和所述非海洋塑料数据库中的海洋细菌总含量数据进行归一化处理后，建立第二特征空间；
将所述海洋细菌总含量作为第二待识别数据样本；
根据KNN算法，计算所述第二待识别数据样本和所述第二特征空间之间的欧式距离，根据所述欧式距离计算所述海洋细菌总含量的归属数据点。
S104：当海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定待识别塑料样品为海洋塑料。
进一步地，第二特征空间中包括海洋塑料数据库中的海洋细菌总含量数据和非海洋塑料数据库中的海洋细菌总含量数据，以KNN算法从第二特征空间中获得与待识别塑料样品最邻近（欧式距离最近）的K个归属数据点，只要欧式距离满足条件，可以是海洋塑料数据库中的海洋细菌总含量数据作为归属数据点，也可以是非海洋塑料数据库中的海洋细菌总含量数据作为归属数据点。当海洋塑料数据库中的海洋细菌总含量数据作为归属数据点时，该归属数据点等同于归属于海洋塑料的数据点；当非海洋塑料数据库中的海洋细菌总含量数据作为归属数据点时，该归属数据点等同于归属于非海洋塑料的数据点。
在一具体实施例中，在进行海洋塑料识别方法的过程中，需要做以下准备工作：
1.建立数据库：
现场收集海洋塑料，获取这些海洋塑料及其表面物质的性能参数信息，并建立预设海洋塑料数据库。性能参数信息包括海洋塑料及其附着物的表面形貌、红外光谱数据、元素组成、微生物种类分布等，所采用的设备可以是光学显微镜、扫描电镜（SEM）、显微红外光谱仪、X射线荧光光谱仪（XRF）、离子色谱仪（IC）、高通量测序仪等，但不局限于此，只要是可以实现对海洋塑料表面形貌、红外光谱数据、元素组成、微生物种类等进行分析的设备都可以应用。
相应地，预设海洋塑料数据库包括：预设海洋塑料特征形貌数据库、预设海洋塑料生物遗传信息数据库、预设海洋塑料特征元素数据库以及预设海洋塑料红外光谱数据库等。则建立预设海洋塑料数据库的过程包括：根据拍摄的海洋塑料显微形貌照片，基于神经网络算法，选择特征形貌进行训练，建立预设海洋塑料特征形貌数据库；采用高通量测序手段获取海洋塑料表面的生物信息，建立预设海洋塑料生物遗传信息数据库；测试海洋塑料的卤素、金属元素含量，建立预设海洋塑料特征元素数据库；获取海洋塑料表面附着物质的红外光谱，建立预设海洋塑料红外光谱数据库等。
以同样的方式获取非海洋塑料数据作为对照组，建立非海洋塑料数据库。这些非海洋塑料来自消费后回收的各种塑料，比如塑料瓶，塑料薄膜、包装袋、绳子、塑料泡沫等。
2.抽样方法与前处理：
（1）抽样过程需在样品被造粒之前，比如抽检的样品可来源于打捞、运输、贮存、分拣、清洗、破碎等造粒前的任一阶段，而非已经熔融造粒后的阶段。
（2）抽样方法：若样品为同一批次，采用简单随机抽样的方式抽取预定样本容量的产品；若样品来源不同批次，采用分层抽样的方式，每批次抽样的样本量与该批次样品量比例保持一致。
（3）取样方法：将步骤（2）中每一个完整的样品视为一个基本的检验单位。对于不同的测试项目，对该检验单位取样时遵循如下规定：
1）对于用于光学显微镜、扫描电镜、红外光谱等测试的样品，在取样前对样品进行外观检查并做出判断，在指定位置进行取样。
2）对于用于元素分析如离子色谱、X射线荧光、ICP-MS的样品，可将完整的样品裁切成大小均匀的碎片，并采用四分法获取指定数量的样品。如有需要，也可在该完整样品的指定位置获取足够的具有代表性的样品，再采用四分法获取满足测试需要的特定数量的样品。
3）生物样本取样时取样工具需提前进行灭菌。若样品大小满足要求，取样位置可优先选择整个样品；若取样难以覆盖该样品的所有部位，则至少在该样品的四个不同的具有代表性的部位进行取样（如上下、正反面等）。
（4）前处理：抽检的样品可用去离子水冲洗掉表面污物，也可不进行清洗。
3.鉴别待测物：
步骤（1）目视方法：
若样品表面有明显的藤壶、管虫、牡蛎、珊瑚、苔藓虫等海洋生物附着或留下的壳体，鉴定为海洋塑料。若无法通过目视方法判断，则进入步骤（2）进行测试。
步骤（2）仪器分析方法：
1）显微形貌分析方法：
将待识别塑料样品放置在光学显微镜下拍摄形貌，或取样后用扫描电子显微镜拍摄形貌，选取特征形貌（即获取待识别塑料样品的特征形貌），与预设海洋塑料特征形貌数据库进行比对，输出相似度比对结果（即海洋塑料相似度）。
2）显微红外测试方法：
将待识别塑料样品表面吸附物取样后进行显微红外测试（即获取待识别塑料样品的表面吸附物红外图谱），利用预设海洋塑料红外光谱数据库进行检索，输出图谱匹配度结果（即海洋塑料图谱匹配度）。
3）SEM-EDS测试方法：
将待识别塑料样品表面吸附物取样（即获取待识别塑料样品的表面吸附物）后进行SEM-EDS测试，记录其表面元素组成中C、O、Ca、Na、Cl等元素含量（即表面元素含量）。进一步地，所记录的表面元素含量优选包括：Ca、Na和Cl的元素含量。
4）元素含量测试方法：
根据实际需要选择合适的测试方法对样品当中的元素含量进行测试，如：
将待识别塑料样品取样剪碎后利用XRF测试样品的元素组成，利用自建的标线进行元素定量，测试F、Cl、Br元素含量。
将待识别塑料样品取样消解后利用离子色谱测试样品中的卤素，利用自建的标线进行元素定量，测试F、Cl、Br元素含量。
在一优选实施例中，将待识别塑料样品取样剪碎后利用XRF或离子色谱测试样品的卤素，利用自建的标线进行元素定量，优选仅测试Cl元素，因为海洋塑料和非海洋塑料当中的Cl元素差异很大，仅测试Cl元素能够避免工作量的冗余，提高工作效率。
将待识别塑料样品利用XRF或SEM-EDS测试所含有的金属元素，或消解后利用ICP-OES或ICP-MS测试所含有的金属元素，利用自建的标线进行元素定量。
其中，步骤3）与步骤4）均为计算待识别塑料样品的元素含量的具体过程。
5) 基于KNN算法进行建模和结果判断：
以海洋塑料数据库和非海洋塑料数据库当中的各项测试数据作为数据样本，并对数据进行归一化处理，建立第一特征空间。其中，可以采用最值归一化的方式，以X1=（X-Ymin）/（Ymax-Ymin）对各项测试数据进行归一化处理。其中X1为归一化后的数据，Ymax为所建立的特征空间当中该类测试数据的最大值，Ymin为所建立的特征空间当中该类测试数据的最小值。
将待识别塑料样品在步骤（2）的各项测试结果（即海洋塑料相似度、海洋塑料图谱匹配度和元素含量）作为特征参数进行数据提取和归一化处理，建立第一待识别数据样本。
计算第一待识别数据样本和特征空间内各个数据之间的欧式距离，选取与该第一待识别样本欧式距离最近的K个数据点，统计归属于海洋塑料和非海洋塑料数据占的比例，将比例更高的作为第一待识别样本所归属的类别。具体为：当归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，第一待识别样本所归属的类别为海洋塑料；当归属于非海洋塑料的数据点大于归属于海洋塑料的数据点时，第一待识别样本所归属的类别为非海洋塑料。
进一步地，为了避免出现邻近数据点的数量相等的情况，K值取奇数，并采用交叉验证方法对K值进行优化。
若经过算法计算，第一待识别样本所归属的类别为非海洋塑料，则进入步骤（3）。
步骤（3）高通量测序方法：
采用采样拭子提取待识别塑料样品表面的生物样本，经DNA提取、纯化、扩增后进行高通量测序和物种信息注释，分析统计样品当中的生物遗传信息，对比Silva数据库在属水平上进行细菌种群标记，剔除未分类细菌后记录每个属的信息和该属在种群中所占的比例，归一化后从高到低依次排列。将待识别塑料样品属分类占比前95%的属于自建海洋塑料生物遗传信息数据库进行匹配检索，统计海洋细菌总含量（即获取待识别塑料样品的海洋细菌总含量）。
将海洋塑料数据库中各个样品的海洋细菌总含量和非海洋塑料数据库中各个样品的海洋细菌总含量作为数据样本建立第二特征空间，将待识别塑料样品海洋细菌总含量作为待识别数据样本，以KNN算法获得与待识别塑料样品最邻近（欧式距离）的K个数据点，将所占比例更高的数据点所属类别作为待识别塑料样品所归属的类别。具体为：当归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，待识别塑料样品所归属的类别为海洋塑料；当归属于非海洋塑料的数据点大于归属于海洋塑料的数据点时，待识别塑料样品所归属的类别为非海洋塑料。
若经步骤（3）判断该样品归属为海洋塑料，则判定待识别塑料样品为海洋塑料；否则判定待识别塑料样品为非海洋塑料。
在一优选实施例中，结合具体塑料图片介绍海洋塑料的目视识别过程，请参照图2至图4。其中，图2是本发明一实施例提供的塑料样品一的示意图，图3是本发明一实施例提供的塑料样品二的示意图，图4是本发明一实施例提供的塑料样品三的示意图。
经目视，样品一表面有藤壶、盘管虫、苔藓虫附着；样品二有管虫、藤壶和苔藓虫附着；样品三有管虫、苔藓虫附着。以上样品均判定为海洋塑料。
在一优选实施例中，结合具体塑料图片介绍海洋塑料相似度、海洋塑料图谱匹配度和元素含量的计算过程，请参照图5至图7。其中，图5是本发明一实施例提供的塑料样品四的示意图，图6是本发明一实施例提供的塑料样品四的特征形貌示意图，图7是本发明一实施例提供的塑料样品四的表面吸附物取样位置示意图。
1）将图5的塑料样品四取样后放置在光学显微镜下拍摄，获取得到图6所示的塑料样品四的形貌结构，经预设海洋塑料特征形貌数据库比对，特征形貌比对结果为88%，则塑料样品四的海洋塑料相似度为88%；
2）取图6所示表面白色吸附物质测试红外图谱，经与预设海洋塑料红外光谱数据库检索，红外图谱比对结果为89.48%，则塑料样品四的海洋塑料图谱匹配度为89.48%。
3）对图7中塑料样品四中框线内的位置进行表面吸附物取样后进行SEM-EDS元素分析，得到表面元素含量 Na、Ca和Mg总量为35.26%，并生成如表1所示的塑料样品四的元素分析结果。
Figure 988842DEST_PATH_IMAGE001
表1：塑料样品四的元素分析结果
4）利用离子色谱测得塑料样品四中Cl元素含量为123.7 ppm。
归一化前塑料样品四的数据样本为（88%， 89.48%，35.26%，123.7 ppm），归一化后得到塑料样品四的数据样本为（0.87，0.89，0.70，0.52），交叉验证法优化后的K值取5，经KNN算法计算得到5个与塑料样品四最邻近的数据点，归属于海洋塑料的数据点5个，归属于非海洋塑料的数据点0个，判断塑料样品四为海洋塑料。
在一优选实施例中，介绍高通量测序方法在识别塑料样品中的应用过程。
已知塑料样品五的海洋塑料相似度为37%，海洋塑料图谱匹配度为16.48%，表面元素Al、Si元素总量为9.6%，Cl元素含量为62.7 ppm。
归一化前塑料样品五的数据样本为（37%，10.49%，9.6%，62.7 ppm），归一化后的数据样本为（0.10，0.07，0.32，0.18），优化后K值取5，经KNN算法计算，最邻近的5个数据点归属于海洋塑料1个，归属于非海洋塑料4个。由于归属于非海洋塑料的数据点更多，通过高通量测序进行再度验证。经高通量测序，塑料样品五表面微生物种群占比前95%统计结果如表2所示。
Figure 599952DEST_PATH_IMAGE002
表2：塑料样品五的表面微生物高通量测序统计结果（前95%）
经与海洋塑料生物遗传信息数据库比对，塑料样品五的海洋细菌总含量为79%，经KNN算法计算，归属于海洋塑料数据点5个，归属于非海洋塑料数据点0个，判断塑料样品五为海洋塑料。
已知塑料样品六的海洋塑料相似度为41%，海洋塑料图谱匹配度为16.55%，表面元素Na、Ca和Mg总量为5.33%，Cl元素含量为77.4 ppm。
归一化前塑料样品六的数据样本为（41%，16.55%，5.33%，77.4 ppm），归一化后的数据样本为（0.16，0.07，0.11，0.26），优化后K值取5，经KNN算法计算，最邻近的5个数据点归属于海洋塑料0个，归属于非海洋塑料5个。经高通量测序，塑料样品六表面微生物种群占比前95%统计结果如表3所示。
Figure 861563DEST_PATH_IMAGE003
表3：塑料样品六的表面微生物高通量测序统计结果（前95%）
经与海洋塑料生物遗传信息数据库比对，海洋细菌总含量为2.5%，经KNN算法计算，归属于海洋塑料数据点0个，归属于非海洋塑料数据点5个，判断塑料样品六为非海洋塑料。
为了进一步说明海洋塑料识别装置，请参照图8，图8是本发明一实施例提供的一种海洋塑料识别装置的结构示意图，包括：获取模块901、第一判定模块902、计算模块903和第二判定模块904；
其中，所述获取模块901用于根据所述待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；
所述第一判定模块902用于根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料时，获取所述待识别塑料样品的海洋细菌总含量；
所述计算模块903用于根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点；
所述第二判定模块904用于当所述海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定所述待识别塑料样品为海洋塑料。
在本实施例中，所述根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的测试数据进行归一化处理后，建立第一特征空间；
根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量进行归一化处理后，作为第一待识别数据样本；
根据KNN算法，计算所述第一待识别数据样本和所述第一特征空间之间的欧式距离，根据所述欧式距离计算所述第一待识别数据样本的归属数据点；
当所述第一待识别数据样本的归属数据点中，归属于非海洋塑料的数据点的数量大于归属于海洋塑料的数据点的数量时，初次判定所述待识别塑料样品为非海洋塑料。
在本实施例中，所述根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点，具体为：
根据所述海洋塑料数据库和所述非海洋塑料数据库中的海洋细菌总含量数据进行归一化处理后，建立第二特征空间；
将所述海洋细菌总含量作为第二待识别数据样本；
根据KNN算法，计算所述第二待识别数据样本和所述第二特征空间之间的欧式距离，根据所述欧式距离计算所述海洋细菌总含量的归属数据点。
在一具体实施例中，所述根据所述待识别塑料样品获取相应的海洋塑料相似度，具体为：
获取所述待识别塑料样品的特征形貌，将所述待识别塑料样品的特征形貌与预设海洋塑料特征形貌数据库中的数据进行比对，根据特征形貌比对结果计算得到所述待识别塑料样品相应的海洋塑料相似度并获取。
在一具体实施例中，还包括：
获取所述待识别塑料样品的表面吸附物红外图谱，将所述待识别塑料样品的表面吸附物红外图谱与预设海洋塑料红外光谱数据库中的数据进行比对，根据红外图谱比对结果计算得到所述待识别塑料样品相应的海洋塑料图谱匹配度。
在一具体实施例中，还包括：
获取所述待识别塑料样品的表面吸附物，根据所述表面吸附物进行SEM-EDS测试，根据测试结果获得所述待识别塑料样品的表面元素含量。
本发明实施例通过获取模块根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；通过第一判定模块根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，获取待识别塑料样品的海洋细菌总含量；通过计算模块根据海洋细菌总含量和KNN算法，计算海洋细菌总含量的归属数据点；通过第二判定模块当海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定待识别塑料样品为海洋塑料。
本发明在根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量，结合KNN算法初次判定待识别塑料样品为非海洋塑料时，进一步根据海洋细菌总含量和KNN算法，对待识别塑料样品是否为海洋塑料进行识别。本发明能够在初次判定待识别塑料样品为非海洋塑料时，进一步根据算法和海洋细菌总含量对待识别塑料样品进行判断，避免仅根据海洋塑料相似度、海洋塑料图谱匹配度和元素含量进行判断而导致的错判问题，提高了识别海洋塑料的准确性；同时，本发明通过算法对待识别塑料样品的数据进行自动化识别与分类，能够避免现有技术中由于人工目测的方法而导致的识别精度不高的问题，大大提高了对于海洋塑料的识别精度以及识别效率。
进一步地，本发明在获取待识别塑料样品的海洋塑料相似度、海洋塑料图谱匹配度、元素含量和海洋细菌总含量的过程中，根据待识别塑料样品的不同特征分步进行检测，提升检测效率和结果准确度的同时，还可降低检测成本。
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种海洋塑料识别方法，其特征在于，包括：
根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；
根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料时，获取所述待识别塑料样品的海洋细菌总含量；
根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点；
当所述海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定所述待识别塑料样品为海洋塑料。
2.根据权利要求1所述的一种海洋塑料识别方法，其特征在于，所述根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的测试数据进行归一化处理后，建立第一特征空间；
根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量进行归一化处理后，作为第一待识别数据样本；
根据KNN算法，计算所述第一待识别数据样本和所述第一特征空间之间的欧式距离，根据所述欧式距离计算所述第一待识别数据样本的归属数据点；
当所述第一待识别数据样本的归属数据点中，归属于非海洋塑料的数据点的数量大于归属于海洋塑料的数据点的数量时，初次判定所述待识别塑料样品为非海洋塑料。
3.根据权利要求2所述的一种海洋塑料识别方法，其特征在于，所述根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点，具体为：
根据所述海洋塑料数据库和所述非海洋塑料数据库中的海洋细菌总含量数据进行归一化处理后，建立第二特征空间；
将所述海洋细菌总含量作为第二待识别数据样本；
根据KNN算法，计算所述第二待识别数据样本和所述第二特征空间之间的欧式距离，根据所述欧式距离计算所述海洋细菌总含量的归属数据点。
4.根据权利要求3所述的一种海洋塑料识别方法，其特征在于，所述根据所述待识别塑料样品获取相应的海洋塑料相似度，具体为：
获取所述待识别塑料样品的特征形貌，将所述待识别塑料样品的特征形貌与预设海洋塑料特征形貌数据库中的数据进行比对，根据特征形貌比对结果计算得到所述待识别塑料样品相应的海洋塑料相似度并获取。
5.根据权利要求4所述的一种海洋塑料识别方法，其特征在于，还包括：
获取所述待识别塑料样品的表面吸附物红外图谱，将所述待识别塑料样品的表面吸附物红外图谱与预设海洋塑料红外光谱数据库中的数据进行比对，根据红外图谱比对结果计算得到所述待识别塑料样品相应的海洋塑料图谱匹配度。
6.根据权利要求5所述的一种海洋塑料识别方法，其特征在于，还包括：
获取所述待识别塑料样品的表面吸附物，根据所述表面吸附物进行SEM-EDS测试，根据测试结果获得所述待识别塑料样品的表面元素含量。
7.一种海洋塑料识别装置，其特征在于，包括：获取模块、第一判定模块、计算模块和第二判定模块；
其中，所述获取模块用于根据待识别塑料样品获取相应的海洋塑料相似度、海洋塑料图谱匹配度和元素含量；
所述第一判定模块用于根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料时，获取所述待识别塑料样品的海洋细菌总含量；
所述计算模块用于根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点；
所述第二判定模块用于当所述海洋细菌总含量的归属数据点中，归属于海洋塑料的数据点的数量大于归属于非海洋塑料的数据点的数量时，判定所述待识别塑料样品为海洋塑料。
8.根据权利要求7所述的一种海洋塑料识别装置，其特征在于，所述根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量，结合KNN算法初次判定所述待识别塑料样品为非海洋塑料，具体为：
根据海洋塑料数据库和非海洋塑料数据库中的测试数据进行归一化处理后，建立第一特征空间；
根据所述海洋塑料相似度、所述海洋塑料图谱匹配度和所述元素含量进行归一化处理后，作为第一待识别数据样本；
根据KNN算法，计算所述第一待识别数据样本和所述第一特征空间之间的欧式距离，根据所述欧式距离计算所述第一待识别数据样本的归属数据点；
当所述第一待识别数据样本的归属数据点中，归属于非海洋塑料的数据点的数量大于归属于海洋塑料的数据点的数量时，初次判定所述待识别塑料样品为非海洋塑料。
9.根据权利要求8所述的一种海洋塑料识别装置，其特征在于，所述根据所述海洋细菌总含量和KNN算法，计算所述海洋细菌总含量的归属数据点，具体为：
根据所述海洋塑料数据库和所述非海洋塑料数据库中的海洋细菌总含量数据进行归一化处理后，建立第二特征空间；
将所述海洋细菌总含量作为第二待识别数据样本；
根据KNN算法，计算所述第二待识别数据样本和所述第二特征空间之间的欧式距离，根据所述欧式距离计算所述海洋细菌总含量的归属数据点。
10.根据权利要求9所述的一种海洋塑料识别装置，其特征在于，所述根据所述待识别塑料样品获取相应的海洋塑料相似度，具体为：
获取所述待识别塑料样品的特征形貌，将所述待识别塑料样品的特征形貌与预设海洋塑料特征形貌数据库中的数据进行比对，根据特征形貌比对结果计算得到所述待识别塑料样品相应的海洋塑料相似度并获取。
CN202211645479.5A 2022-12-21 2022-12-21 一种海洋塑料识别方法及装置 Active CN115639354B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211645479.5A CN115639354B (zh) 2022-12-21 2022-12-21 一种海洋塑料识别方法及装置
PCT/CN2023/071470 WO2024130801A1 (zh) 2022-12-21 2023-01-10 一种海洋塑料识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211645479.5A CN115639354B (zh) 2022-12-21 2022-12-21 一种海洋塑料识别方法及装置

Publications (2)

Publication Number Publication Date
CN115639354A CN115639354A (zh) 2023-01-24
CN115639354B true CN115639354B (zh) 2023-03-21

Family

ID=84949555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211645479.5A Active CN115639354B (zh) 2022-12-21 2022-12-21 一种海洋塑料识别方法及装置

Country Status (2)

Country Link
CN (1) CN115639354B (zh)
WO (1) WO2024130801A1 (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109238949B (zh) * 2018-09-19 2019-12-24 浙江大学 一种检测海洋生物软组织中微塑料密度分布的方法
CN109612961B (zh) * 2018-12-13 2021-06-25 温州大学 海岸环境微塑料的开集识别方法
WO2021231396A1 (en) * 2020-05-11 2021-11-18 Woods Hole Oceanographic Institution Optical system and method to identify plastic
KR102432313B1 (ko) * 2021-01-08 2022-08-11 강원대학교산학협력단 미세플라스틱 검정방법
US11254397B1 (en) * 2021-05-06 2022-02-22 Clean Ocean Associates, Trustee for Ocean Plastic Removal Trust Ship for removal of plastic for ocean clean up
CN113535977B (zh) * 2021-07-13 2023-12-19 泰康保险集团股份有限公司 一种知识图谱融合方法和装置及设备
CN114359238A (zh) * 2022-01-07 2022-04-15 自然资源部第三海洋研究所 一种识别微塑料的方法、装置和存储介质
CN114674803B (zh) * 2022-02-16 2024-07-12 北京化工大学 一种海洋环境微塑料混合物成分定量分析方法
CN114998664A (zh) * 2022-07-18 2022-09-02 中国科学院烟台海岸带研究所 一种多光学平台的海水中微塑料快速检测方法及检测装置
CN115187870B (zh) * 2022-09-13 2023-01-03 浙江蓝景科技有限公司杭州分公司 海洋塑料垃圾材质识别方法、***、电子设备和存储介质

Also Published As

Publication number Publication date
WO2024130801A1 (zh) 2024-06-27
CN115639354A (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
Xiong et al. Zooplankton biodiversity monitoring in polluted freshwater ecosystems: A technical review
Gorsky et al. Digital zooplankton image analysis using the ZooScan integrated system
Pennekamp et al. Implementing image analysis in laboratory‐based experimental systems for ecology and evolution: a hands‐on guide
EP2414536B1 (en) Fluorescence cued raman identification of viable organisms
Soltis et al. Plants meet machines: Prospects in machine learning for plant biology
CN113658640B (zh) 一种淡水生态***健康评价方法
Deglint et al. Investigating the automatic classification of algae using the spectral and morphological characteristics via deep residual learning
CN115239209B (zh) 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和***
CN114399763B (zh) 一种单样本与小样本微体古生物化石图像识别方法及***
Gislason et al. Comparison between automated analysis of zooplankton using ZooImage and traditional methodology
CN113295835B (zh) 一种基于遥感的微塑料污染水域空间分布识别方法
CN114359238A (zh) 一种识别微塑料的方法、装置和存储介质
CN115639354B (zh) 一种海洋塑料识别方法及装置
Ershova et al. Mock samples resolve biases in diversity estimates and quantitative interpretation of zooplankton metabarcoding data
Remmel et al. DNA metabarcoding and morphological identification reveal similar richness, taxonomic composition and body size patterns among flying insect communities
CN113155753A (zh) 农田表层土壤微塑料检测方法及***
Culverhouse et al. An instrument for rapid mesozooplankton monitoring at ocean basin scale
Barnes et al. Deductive automated pollen classification in environmental samples via exploratory deep learning and imaging flow cytometry
CN117172430A (zh) 一种基于深度学习的水体环境评估与预测方法及***
Li Bivariate and trivariate analysis in flow cytometry: Phytoplankton size and fluorescence
CN111833297A (zh) 一种骨髓细胞形态学自动检测***的疾病联想方法
CN113588588B (zh) 一种基于地物谱仪的气载微塑料快速检测方法
CN117171675B (zh) 基于多源数据的水环境微生物检测方法、***及介质
Blackman et al. Environmental DNA: The next chapter
Li et al. A Deep Learning based Method for Microscopic Object Localization and Classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant