四项研究，人工智能助力观测检测技术

来源：ScienceAI

编辑：萝卜皮

研究人员使用机器学习来加快微塑料的计数
科学家利用人工智能增强 X 射线数据分析
从显微镜图像中提取特征的弱监督机器学习模型
两体微透镜系统中普遍存在的统一简并

研究人员使用机器学习来加快微塑料的计数

微塑料无处不在——在我们喝的水、吃的食物和呼吸的空气中。但在研究人员能够了解这些粒子对健康的真正影响之前，他们需要更快、更有效的方法来量化分析这些粒子。

多伦多大学应用科学与工程学院的研究人员最近进行的两项研究提出了使用机器学习使微塑料计数和分类过程更容易、更快、更实惠的新方法。

首先，研究人员应用机器学习建立了一个预测模型，该模型采用训练有素的算法，可以从总体质量测量中估计微塑料计数。其优势在于允许研究人员仅手动处理收集到的样本的一小部分，并使用算法预测其余样本的数量，而不会引入额外的误差或方差。

该研究以「Efficient Prediction of Microplastic Counts from Mass Measurements」为题，于 2022 年 1 月25 日发布在《ACS ES&T Water》。

论文链接：

https://pubs.acs.org/doi/10.1021/acsestwater.1c00316

另外，2022 年 6 月15 日发表在《Science of The Total Environment》的文章「Automatic quantification and classification of microplastics in scanning electron micrographs via deep learning」，采用深度学习模型对微塑料进行自动定量和分类。

Shi使用扫描电子显微镜对微塑料的图像进行分割并对其形状进行分类。与视觉筛选方法相比，这种方法提供了更大的景深和更精细的表面细节，可以防止错误识别小而透明的塑料颗粒。

研究人员使用扫描电子显微镜来分割微塑料的图像并对其形状进行分类。与视觉筛选方法相比，这种方法提供了更大的景深和更精细的表面细节，可以防止错误识别小的透明塑料颗粒。

论文链接：

https://www.sciencedirect.com/science/article/pii/S0048969722009950?via%3Dihub

相关报道：

https://phys.org/news/2022-04-machine-microplastics.html

科学家利用人工智能增强 X 射线数据分析

人工智能正在改变从生物学到材料科学的每一个科学领域。当涉及到某些类型的 X 射线实验时，新的人工智能方法使研究人员能够对他们的样本进行更准确的分析，并在更短的时间内完成。

美国能源部阿贡国家实验室的一组研究人员，正在利用人工智能来执行分析高能 X 射线实验数据的研究。借助一种基于神经网络的方法 BraggNN，Argonne 团队可以更精确地识别布拉格峰——指示微小单个晶体位置和方向的数据点——只需花费过去的一小部分时间。

该研究以「BraggNN: fast X-ray Bragg peak analysis using deep learning」为题，于年月日发布在《IUCrJ》。

论文链接：

https://journals.iucr.org/m/issues/2022/01/00/fs5198/index.html

相关报道：

https://phys.org/news/2022-05-scientists-x-ray-analysis-artificial-intelligence.html

从显微镜图像中提取特征的弱监督机器学习模型

深度学习模型已被证明是用于分析大量图像的非常有前途的工具。在过去十年左右的时间里，它们已被引入各种环境，包括研究实验室。

在生物学领域，深度学习模型可能有助于对显微镜图像进行定量分析，使研究人员能够从这些图像中提取有意义的信息并解释他们的观察结果。然而，要做到这一点的训练模型可能非常具有挑战性，因为它通常需要从显微镜图像中提取特征（即细胞数量、细胞面积等）并手动注释训练数据。

CERVO 大脑研究中心、智能与数据研究所和加拿大拉瓦尔大学的研究人员最近开发了一种人工神经网络 MICRA-Net，该网络可以使用更简单的图像级注释对显微镜图像进行深入分析。

该研究以「Microscopy analysis neural network to solve detection, enumeration and segmentation from image-level annotations」为题，于年月日发布在《Nature Machine Intelligence》。