A liberação generalizada de microplásticos (MPs), especialmente microplásticos fibrosos (FMPs) originários de têxteis sintéticos, representa uma ameaça crescente aos sistemas ambientais devido à sua persistência, mobilidade e potencial de bioacumulação em ecossistemas aquáticos e terrestres. Métodos convencionais gravimétricos (GMs) continuam sendo a abordagem principal para avaliar a liberação de FMPs, no entanto, eles são obstaculizados por filtros sensíveis à umidade, falsos positivos devido a detergentes e minerais, contaminação ambiental e a medição manual intensiva em trabalho de fibras individuais. Para abordar essas limitações, desenvolvemos uma estrutura de análise de imagem automatizada (AIA) que integra uma arquitetura U-Net baseada em atenção com módulos de meta-aprendizagem para quantificar o número, comprimento, diâmetro e massa de FMPs a partir de imagens microscópicas em mosaico de membranas filtrantes inteiras. Essa abordagem permite a detecção de fibras com diâmetro de até 28 μm com resolução espacial de 2,17 µm/pixel, suporta análises de cor-alvo e multicoloridas, e elimina a necessidade de caracterização manual ou extrapolação a partir de segmentos parciais da membrana. O método alcançou a maior precisão de aproximadamente 98% na detecção de fibras específicas de cor, identificando corretamente 257 das 263 fibras brancas, e demonstrou desempenho igualmente robusto para fibras pretas, vermelhas e verdes, minimizando a interferência de cores não-alvo, mesmo quando suas fibras se sobrepunham. A detecção multicolorida foi ainda validada utilizando amostras de água de efluentes contendo fibras de cores mistas. No geral, o sistema desenvolvido aumenta a precisão, eficiência e reprodutibilidade da análise de FMPs, oferecendo uma abordagem padronizada e escalável para monitoramento ambiental da poluição por MPs.
Hossain et al. (Mon,) estudaram essa questão.