Classificação de espectros Raman de microplásticos com técnicas de Inteligência Artificial

Abstract

O presente estudo investiga a aplicação de modelos de Inteligência Artificial na identificação e diferenciação de microplásticos utilizando espectros Raman. Microplásticos são partículas de plástico com tamanho igual ou menor que cinco milímetros, diferenciados em primários e secundários, com impactos significativos em ecossistemas e saúde humana. A espectroscopia Raman é uma técnica valiosa para a análise de MPs, fornecendo informações moleculares específicas e permitindo análises in situ e não invasivas. Combinada com IA, a espectroscopia Raman pode processar grandes volumes de dados espectrais, melhorando a precisão e a eficiência das análises. Neste estudo, foram utilizados cinco modelos de IA - Random Forest, Convolutional Neural Network, k-Nearest Neighbors, Support Vector Machine e XGBoost - para treinar e avaliar três regiões espectrais separadamente. A análise comparativa dos modelos revelou que todos apresentaram desempenhos similares em termos de acurácia, sugerindo que a escolha do modelo é menos crítica do que a quantidade e a qualidade dos dados disponíveis. Os resultados mostraram que, para maiores quantidades de dados, as métricas de desempenho dos modelos melhoraram significativamente, destacando a importância de um volume robusto de dados para um treinamento eficaz e para a capacidade de generalização dos modelos de IA. No entanto, em conjuntos de dados menores, a performance foi comprometida, evidenciando a importância da qualidade e relevância dos dados. A Região 2, correspondente ao fingerprint do espectro, se destacou com acurácia e F1-score próximos de 95%, enquanto a Região 3 apresentou deficiências notáveis com acurácia e F1-score em torno de 55%. A Região 1 mostrou bons resultados gerais, com acurácias médias em torno de 85%. A análise concluiu que a disponibilidade e a qualidade dos dados são determinantes para o sucesso na classificação de microplásticos, e que a combinação de espectroscopia Raman com IA representa uma abordagem eficaz para a análise detalhada desses poluentes persistentes.

This study investigates the application of Artificial Intelligence models in the identification and differentiation of microplastics using Raman spectra. Microplastics are plastic particles with a size of five millimeters or less, categorized as primary and secondary, with significant impacts on ecosystems and human health. Raman spectroscopy is a valuable technique for analyzing microplastics, providing specific molecular information and allowing in situ and non-invasive analyses. Combined with AI, Raman spectroscopy can process large volumes of spectral data, enhancing the precision and efficiency of the analyses. In this study, five AI models - Random Forest, Convolutional Neural Network, k-Nearest Neighbors, Support Vector Machine, and XGBoost - were used to train and evaluate three spectral regions separately. The comparative analysis of the models revealed that all performed similarly in terms of accuracy, suggesting that the choice of model is less critical than the quantity and quality of the available data. The results showed that with larger datasets, the performance metrics of the models improved significantly, highlighting the importance of robust data volumes for effective training and the generalization ability of AI models. However, with smaller datasets, the performance was compromised, emphasizing the importance of data quality and relevance. Spectral Region 2, corresponding to the fingerprint of the spectrum, stood out with accuracy and F1-score close to 95%, while Region 3 showed notable deficiencies with accuracy and F1-score around 55%. Region 1 also showed good overall results, with average accuracies around 85%. The analysis concluded that the availability and quality of data are crucial for the success of microplastic classification and that the combination of Raman spectroscopy with AI represents an effective approach for the detailed analysis of these persistent pollutants.