KI identifiziert Mikroplastik in Kläranlagen und Lebensmitteln
Mikroplastik ist für den Menschen schädlich. Mithilfe einer KI können Plastikpartikel genau identifiziert werden.
(Bild: Vincent Kneefel / WWF)
Mikroplastik kann mithilfe Künstlicher Intelligenz (KI) in Lebensmitteln und Kläranlagen schneller als jemals zuvor identifiziert werden. Ein interdisziplinäres Forschungsteam der University of Waterloo hat mittels eines bildgebenden Verfahrens und eines KI-Algorithmus eine entsprechende Methode entwickelt. Sie könnte Lebensmittelherstellern und Kläranlagenbetreibern dabei helfen, schädliches Mikroplastik zu entdecken, um so potenzielle Auswirkungen auf die menschliche Gesundheit zu minimieren.
Das Verfahren beschreiben die Wissenschaftler in ihrem Paper "Leveraging deep learning for automatic recognition of microplastics (MPs) via focal plane array (FPA) micro-FT-IR imaging", die in Environmental Pollution erschienen ist. Es besteht im Wesentlichen aus einem Spektroskop, das Partikel eine Reihe unterschiedlicher Lichtwellenlängen aussetzt. Kunststoffe verschiedener Art reagieren auf die Lichteinwirkung und geben als Reaktion verschiedene Signale zurück. Durch den individuellen "Fingerabdruck" des Mikroplastiks können so unterschiedliche Arten identifiziert und von anderen Partikeln abgegrenzt werden.
Mikroplastik wird jedoch bei der Herstellung mit Zusatz- und Füllstoffen versetzt. Das kann die Erkennung mittels einer reinen Spektroskopiemethode verfälschen. Mikroplastik kann dann nicht genau und damit sicher genug etwa von organischem Material unterschieden werden. Die dann nötige menschliche Nacherkennung ist zeitaufwendig und teuer.
KI-Tool PlasticNet
Um das Problem zu lösen, entwickelten die Forscher ein KI-Tool, das PlasticNet. Es ist in der Lage, eine hohe Anzahl von Partikeln etwa 50 Prozent schneller als herkömmliche Methoden zu analysieren. Das Verfahren erreicht dabei zudem eine 20-prozentige höher Genauigkeit, wie die Forschenden schreiben.
"Wir haben ein neuronales Deep-Learning-Netzwerk entwickelt, um die Identifizierung von Mikroplastik anhand der spektroskopischen Signale zu verbessern", sagt Alexander Wong, Professor am Waterloo Department of Systems Design Engineering und Inhaber des Canada Research Chair in Artificial Intelligence and Medical Imaging. "Wir haben es mit Daten aus bestehenden Literaturquellen und selbst erstellten Bildern trainiert, um die unterschiedliche Beschaffenheit von Mikroplastik zu verstehen und die Unterschiede schnell und korrekt zu erkennen – unabhängig von der Qualität des Fingerabdrucks."
Die Wissenschaftler testeten das Verfahren an Mikroplastik aus einer örtlichen Kläranlage. Mithilfe der Kombination von Spektroskopie und PlasticNet konnte das System nach Angaben der Wissenschaftler Mikroplastik mit "bisher unerreichter Geschwindigkeit und Genauigkeit identifizieren". Kläranlagenbetreiber können die gewonnenen Informationen dazu benutzen, Maßnahmen zur Beseitigung der Plastikpartikel zu ergreifen. Das Gleiche gilt für Lebensmittelhersteller.
Die Forscher der University of Waterloo wollen nun ihre Bemühungen ausweiten. Dazu sollen weitere Lern- und Testphasen erfolgen, um mehr Daten in PlasticNet einspeisen zu können. Die Wissenschaftler erhoffen sich davon, die Identifizierung von Mikroplastik weiter zu verbessern, um weitere Anwendungen zu ermöglichen.
(olb)