Selon l’Institut national de la santé des États-Unis, lorsque les humains consomment des microplastiques, cela peut avoir des effets négatifs sur la santé, tels que des douleurs abdominales, des nausées et des vomissements.
Aujourd’hui, une nouvelle étude a mis au point un moyen d’utiliser l’IA pour trouver de tels microplastiques plus efficacement que les méthodes manuelles. L’IA a également le potentiel d’être utilisée par l’industrie alimentaire pour aider à trouver des microplastiques dans les aliments et à réduire les effets négatifs sur la santé de leur consommation.
Différentes longueurs d’onde
Pour trouver des microplastiques, les chercheurs utilisent une méthode appelée spectroscopie avancée, qui expose les particules de plastique à différentes longueurs d’onde de la lumière. Différents types de plastique réagissent différemment à la lumière, ce qui permet aux chercheurs de déterminer s’il s’agit ou non de microplastiques et de quel type de microplastique il s’agit.
Cependant, en raison de la présence d’additifs de fabrication et de charges, les microplastiques peuvent être difficiles à repérer, car ils brouillent le signal. Les microplastiques sont également hydrophobes et peuvent absorber d’autres produits chimiques, et l’altération peut signifier que les signaux captés par la spectroscopie avancée sont différents de ceux que l’on trouve dans les bibliothèques de plastiques et de leurs signaux associés. Pour toutes ces raisons, il est souvent difficile d’être précis avec la méthode.
Cela signifie souvent qu’il faut une intervention humaine pour trouver les microplastiques, en recherchant les signaux pour trouver des modèles qui peuvent indiquer aux chercheurs quels microplastiques ils examinent. Même dans ce cas, ce processus peut être imprécis, avec un taux d’erreur allant jusqu’à 70 %.
C’est là que l’IA entre en jeu. Les chercheurs ont développé un outil d’IA appelé PlasticNet, qui est capable de scanner les microplastiques 50 % plus rapidement que les méthodes précédentes, et avec une précision supérieure de 20 %. L’IA est entraînée sur plus de 8 000 spectres de plastique vierge pour lui donner une plus grande précision.
En fait, lorsqu’elle a été testée, l’IA a réussi à classer 11 types de plastiques courants, avec une précision de plus de 95 %, et a montré une précision de 92 % + lorsqu’elle a été entraînée avec des plastiques vierges corrompus par la présence d’additifs et les intempéries.
Impact potentiel sur l’industrie alimentaire
En raison de la profusion de microplastiques présents dans les aliments, PlasticNet AI offre plusieurs opportunités clés pour l’industrie alimentaire. Il s’agit d’un moyen plus rapide et plus efficace de vérifier la présence de microplastiques que le contrôle manuel.
« Des algorithmes avancés sont capables de scruter des images haute résolution d’aliments pour repérer et mesurer l’étendue de la pollution par les microplastiques», a déclaré Ziang Zhu, l’un des chercheurs, à Soya75. « Cette technique offre une alternative plus rapide et plus précise aux contrôles manuels traditionnels.
« L’apprentissage automatique excelle dans les méthodes conventionnelles pour reconnaître les microplastiques, même au milieu de compositions alimentaires complexes. »
En plus de rendre le processus de recherche de microplastiques plus efficace, la technologie peut, selon Zhu, également prédire la probabilité de trouver des microplastiques dans certains produits. « L’IA exploite les données historiques pour prévoir les scénarios de contamination potentiels», nous a-t-il confié. « Grâce à l’analyse de séries chronologiques de modèles de données, l’IA peut identifier les produits alimentaires ou les processus de fabrication qui sont plus sensibles à la contamination par les microplastiques. Cela permet des inspections ciblées et des actions préventives stratégiques. »
Provenance de : Pollution de l’environnement
« Tirer parti de l’apprentissage profond pour la reconnaissance automatique des microplastiques (MP) via l’imagerie micro-FT-IR à réseau de plans focaux (FPA) »
Publié le : 15 novembre 2023
DOI : https://doi.org/10.1016/j.envpol.2023.122548
Auteur(s) : Z. Zhu, W. Parker, A. Wong
