Un equipo de investigación interdisciplinar de la Universidad de Waterloo utiliza la inteligencia artificial (IA) para identificar microplásticos con más rapidez y precisión que nunca.
Los microplásticos se encuentran habitualmente en los alimentos y son contaminantes peligrosos que causan graves daños al medio ambiente: detectarlos es la clave para deshacerse de ellos.
El sistema avanzado de identificación por imágenes del equipo de investigación podría ayudar a las plantas de tratamiento de aguas residuales y a las industrias de producción de alimentos a tomar decisiones informadas para mitigar el impacto potencial de los microplásticos en el medioambiente y la salud humana.
El artículo de investigación, «Leveraging deep learning for automatic recognition of microplastics (MPs) via focal plane array (FPA) micro-FT-IR imaging», se publica en Environmental Pollution.
Un análisis de riesgos y un plan de acción exhaustivos requieren información de calidad basada en una identificación precisa. En busca de una herramienta analítica sólida que pudiera enumerar, identificar y describir los numerosos microplásticos existentes, el Dr. Wayne Parker, director del proyecto, y su equipo emplearon un método avanzado de espectroscopia que expone las partículas a una serie de longitudes de onda de luz. Los distintos tipos de plásticos producen señales diferentes en respuesta a la exposición a la luz. Estas señales son como huellas dactilares que también pueden emplearse para marcar partículas como microplásticos o no.
A menudo, los investigadores se encuentran con que los microplásticos presentan una gran variedad debido a la presencia de aditivos de fabricación y cargas que pueden difuminar las «huellas dactilares» en un laboratorio. Esto dificulta a menudo la identificación de los microplásticos a partir de material orgánico, así como de los distintos tipos de microplásticos. Suele ser necesaria la intervención humana para desentrañar patrones e indicios sutiles, lo que resulta lento y propenso a errores.
Un análisis de riesgos y un plan de acción exhaustivos requieren información de calidad basada en una identificación precisa
«Los microplásticos son materiales hidrófobos que pueden absorber otras sustancias químicas», explica Parker, profesor del Departamento de Ingeniería Civil y Medioambiental de Waterloo. «La ciencia aún está evolucionando en cuanto a la gravedad del problema, pero es teóricamente posible que los microplásticos potencien la acumulación de sustancias tóxicas en la cadena alimentaria».
Parker pidió ayuda al Dr. Alexander Wong, profesor del Departamento de Ingeniería de Diseño de Sistemas de Waterloo y titular de la Cátedra de Investigación en Inteligencia Artificial e Imagen Médica de Canadá. Con su ayuda, el equipo desarrolló una herramienta de IA llamada PlasticNet que permite a los investigadores analizar rápidamente grandes cantidades de partículas, aproximadamente un 50% más rápido que los métodos anteriores y con un 20% más de precisión.
La herramienta es la última tecnología sostenible diseñada por investigadores de Waterloo para proteger nuestro medio ambiente y dedicarse a investigaciones que contribuyan a un futuro sostenible.
«Construimos una red neuronal de aprendizaje profundo para mejorar la identificación de microplásticos a partir de las señales espectroscópicas», dijo Wong. «La entrenamos con datos de fuentes bibliográficas existentes y con nuestras propias imágenes generadas para comprender la variada composición de los microplásticos y detectar las diferencias de forma rápida y correcta, independientemente de la calidad de la huella dactilar».
Frank Zhu, antiguo estudiante de doctorado de Parker, probó el sistema con microplásticos aislados de una depuradora local. Los resultados muestran que puede identificar microplásticos con una rapidez y precisión sin precedentes. Esta información puede facultar a las depuradoras para aplicar medidas eficaces de control y eliminación de estas sustancias.
Los próximos pasos consisten en seguir aprendiendo y probando, así como en alimentar el sistema PlasticNet con más datos para aumentar la calidad de sus capacidades de identificación de microplásticos con vistas a su aplicación en una amplia gama de necesidades.
