跨学科融合 · 智能识别 · 环境守护
基于表面增强拉曼光谱与人工智能的新型环境监测方案
微纳塑料污染已成为全球性环境问题，传统检测方法存在灵敏度低、耗时长、成本高等局限。本项目创新性地将表面增强拉曼散射（SERS）光谱技术与人工智能算法深度融合，构建水体微纳塑料的智能识别与溯源系统。
通过采集不同类型塑料的SERS光谱数据，结合噪声建模与特征工程技术，训练高精度深度学习模型，实现对水体中微纳塑料的快速检测、精准分类和来源追溯。
项目充分发挥本科生的创新潜力，由学生自主设计研究方案、搭建算法框架、完成数据分析，体现了跨学科协作与科研创新能力的有机结合。
微纳塑料污染的严峻现状与现有检测技术的瓶颈
微纳塑料广泛存在于海洋、湖泊、河流等水体中，可通过食物链进入人体，对生态系统和人类健康构成潜在威胁。每年约有800万吨塑料流入海洋。
显微镜观察需人工识别、效率低下；红外光谱受水分干扰严重；质谱法成本高昂、操作复杂。现有方法难以实现大规模快速筛查。
SERS光谱信号易受荧光背景、仪器噪声、样品基质等因素影响，原始数据质量参差不齐，传统处理方法难以有效提取有用信息。
现有研究多聚焦于定性检测，对微纳塑料的来源追溯（如生产工艺、使用场景、降解程度）研究较少，难以为环境治理提供精准决策支持。
从数据采集到智能识别的完整技术链路
SERS光谱信号
多类型塑料样本
背景扣除
信号增强处理
峰位分析
特征向量构建
深度学习网络
参数优化调节
精准分类识别
来源追溯分析
技术创新与实践价值的有机统一
将光谱化学、信号处理、机器学习三大领域有机结合，突破单一学科的技术边界，形成系统性的解决方案。
建立从噪声建模、特征提取到模型训练的完整数据处理流程，每一步均有理论依据和实验验证。
采用便携式SERS设备与开源算法框架，降低技术门槛，便于在基层环境监测站点推广应用。
项目全程由本科生团队自主设计、实施和迭代，充分展现了学生的科研创新能力和团队协作精神。
跨学科协作，共创科研价值
负责核心算法的设计、开发与优化，构建高精度的识别模型。
专注于光谱数据的采集、处理与噪声建模，为算法提供高质量输入。
负责项目的市场调研、商业规划与成果转化路径设计。