通过流式细胞术检测塑料微粒的制作方法

1.本发明整体涉及塑料微粒领域。特别地，本发明涉及在水基样品中检测塑料微粒。本发明的实施方案涉及一种用于在水基样品中检测塑料微粒的过程，该过程包括通过流式细胞术对样品进行分析。根据本发明，本文所描述的过程可包括通过机器学习算法处理所记录的流式细胞术数据，该机器学习算法可基于颗粒的独特光谱来区分和分类每个颗粒以表征例如塑料微粒。


背景技术：

2.塑料微粒(有时称为微塑料)由几种消费品(例如一些化妆品)生成并在其中使用并且此外可由较大物体的降解产生。最近，已在空气、海水、沉积物以及甚至一些动物的组织中发现了微塑料。微塑料最近被描述为持久性、普遍性的环境污染物，其可能对某些物种的营养状态、组织学、酶功能和寿命产生影响[“废物(waste)”(第二版)，“管理手册(a handbook for management)”，2019年，第405-424页]。
[0003]
因此，塑料微粒(尺寸在1um至5mm范围内的塑料颗粒)的检测对于环境研究、污染检测和监测以及食品安全至关重要。
[0004]
本领域中使用了几种方法来检测水基样品中的微塑料。此类方法例如在trends in analytical chemistry 110(2019)150-159中进行了综述，其全文以引用的方式并入本文。目前识别微塑料的金标准技术是拉曼光谱和ftir光谱。利用微拉曼，能够识别小至1μm的颗粒，而利用微ftir，目前最小尺寸限制为约20μm。
[0005]
已经开发出在水中检测微塑料的其他方法，并且这些方法包括用溶解于丙酮或甲醇或其他有机溶剂中的尼罗红来对塑料颗粒染色以允许染料与塑料结合。微塑料的计数涉及样品过滤和在汞灯或激光照射下对过滤器进行成像。
[0006]
然而，目前现有技术的微塑料检测方法具有若干缺点。通常，光谱法相对较慢。此类方法在某种程度上是主观的，因为它们依赖于通过经由显微镜进行的视觉检查来识别塑料颗粒。此外，已知染色(诸如例如利用尼罗红进行的染色)偶尔会产生误导性伪影，并且无法区分不同类型的塑料。
[0007]
因此，令人期望的是为现有技术提供一种用于检测水基样品中的微塑料的方法，该方法比现有技术方法快，会避免生成伪影，和/或允许检测0.1μm至50μm范围内的小塑料微粒。
[0008]
不能将本说明书中对现有技术文献中的任何参照视为承认此类现有技术为众所周知的技术或形成本领域普遍常识的一部分。


技术实现要素：

[0009]
本发明的目的是改进或丰富现有技术，并且特别是提供一种用于检测水基样品中的微塑料的方法或过程，该方法或过程比现有技术方法快，会避免生成伪影，和/或允许检测尺寸为约5μm的小塑料微粒，或者目的是至少提供有用的替代方案。
[0010]
发明人惊讶地发现，本发明的目的可通过独立权利要求的主题实现。从属权利要求进一步拓展本发明的构想。
[0011]
因此，本发明提供一种用于在水基样品中检测和表征塑料微粒的过程，该过程包括通过光谱流式细胞术对样品进行分析。
[0012]
如本说明书中所用，词语“包括”、“包含”和类似词语不应理解为具有排他性或穷举性的含义。换句话讲，这些词语旨在意指“包括，但不限于”。
[0013]
如本说明书中所用，词语“颗粒(particle)”或“颗粒(particles)”旨在描述样品(例如水基样品)中的极少量或碎片物质(例如有机或无机物质或者一种或多种微生物)。
[0014]
本发明人已经表明，通过使用流式细胞术来检测水基样品中的微塑料，他们已经发现一种用于分析、列举和识别水基样品中的微塑料以及用于将它们与有机物质、细菌、腐殖酸、矿物质和其他材料区分开的快速方法。
[0015]
不需要染色，并且因此避免了通过染色生成伪影。
[0016]
发明人还应用专用机器学习算法来进行数据分析，这允许基于由不同类型的材料生成的独特散射光和荧光信号来辨识新类型材料的指纹，使得也可检测样品中的新类型的塑料、材料或污染物。
[0017]
尼罗红有时也用于流式细胞术中以对脂质和细胞染色，但其不适用于微塑料检测，这是由于分子的亲脂性特点会与油/脂肪滴和有机材料结合或产生可能干扰测量的胶束。
[0018]
幸运的是，发明人惊讶地发现流式细胞术可用于检测水基样品中的微塑料，而无需使用任何染色。
[0019]
在过去的30年中，流式细胞术主要用于哺乳动物细胞分析、细菌分析，最近还用于其他亚微米囊泡分析(外泌体)。
[0020]
与尼罗红染色和/或拉曼或ftir相比，该方法具有几个优点。首先，与光谱方法相比，其显著地提高了分析速度：可快速地处理样品，从而提供精确计数和粗略粒度估计。其次，在流式细胞术中检测微塑料不需要尼罗红染色。此外，其避免了误导性伪影；因此，该方法提供了用于在不依赖于经典染色的情况下识别微塑料的新颖方式。最后，可用新指纹来训练机器学习算法以检测样品中的新类型的塑料、材料或污染物。
[0021]
因此，本发明涉及在样品中检测塑料微粒。特别地，本发明涉及一种用于在水基样品中检测塑料微粒的过程，该过程包括通过流式细胞术对样品进行分析。本发明还涉及一种用于在水基样品中检测塑料微粒的方法，该方法包括通过流式细胞术对样品进行分析。
附图说明
[0022]
图1示出了大于4μm的微粒的pet光谱和散点图的示例。
[0023]
图2示出了大于4μm的微粒的pe光谱和散点图的示例。
[0024]
图3示出了尺寸标准。发明人使用了聚苯乙烯粒度标准试剂盒、流式细胞术等级，标准粒度为1μm、2μm、4μm、5μm和50μm-60μm。
具体实施方式
[0025]
因此，本发明部分地涉及一种用于在水基样品中检测塑料微粒的过程或方法，该
过程或方法包括通过流式细胞术对样品进行分析。
[0026]
就本发明的目的而言，塑料微粒是尺寸小于5mm的小片塑料。该定义符合美国国家海洋和大气管理局的提议。例如，塑料微粒可以是长度在1μm
–
5mm范围内的小片塑料。因为通常使用333μm的网状漂浮生物网来捕获水样品中的浮游生物和漂浮物，所以塑料微粒也可以是尺寸在333μm-5mm范围内的小片塑料。
[0027]
就本发明的目的而言，水基样品应为以水为主要组分的任何样品。例如，如果样品含有至少90体积％、至少95体积％、至少96体积％、至少97体积％、至少98体积％、至少99体积％或至少99.5体积％的水，则应认为该样品是水基的。水基样品可以是食物产品的样品。根据国际食品法典委员会，术语“食物”应意指旨在供人类食用的任何物质，无论是经加工的、半加工的还是原始的，并且包括饮料、口香糖和已在“食物”的制造、制备或处理中使用的任何物质，但不包括化妆品或烟草或仅用作药物的物质。此外，例如，水基样品可选自由以下组成的组：水，例如饮用水，诸如静水或气泡水；茶；咖啡；果汁；柠檬水；或发酵饮料，诸如，例如啤酒或葡萄酒。此外，例如，水基样品可以是水。
[0028]
流式细胞术作为一种技术是已知的并且目前用于生物细胞的分析。流式细胞仪可从几个不同的供应商商购获得，诸如，例如becton-dickinson、beckman-coulter、biorad、thermofisher、cytek或sony。
[0029]
通常，流式细胞仪包括流动池、测量系统、检测器、放大系统以及用于分析信号的计算机。
[0030]
流式细胞术的原理依赖于流体系统，该流体系统设法在一个或多个激光器前面一个接一个地通过单个颗粒。这些激光器提供高强度相干光束，该高强度相干光束照亮通过流动池的颗粒，因此可散射光并刺激荧光发射。例如，一系列分色镜和光电倍增管(pmt)或雪崩光电二极管(apd)检测器允许检测和采集与在激光器前面通过的颗粒相关联的发射光。发射光的集合导致每个颗粒的大量变量，以便为随后可分类的每种类型的颗粒创建独特的光谱指纹。每个颗粒的指纹取决于材料。因此，这些独特的光谱指纹可用于识别样品中的颗粒(例如塑料微粒)。
[0031]
可用本发明的过程检测的微塑料颗粒的典型特性包括以下：塑料类型、粒度(例如由fsc/ssc和飞行时间的组合确定的)、特定自发荧光标记以及样品中特定颗粒的丰度。
[0032]
对样品进行分析可包括收集水基样品并使其穿过膜。例如，该膜可以是硝化纤维素膜或硅膜。然后可从膜上洗掉由膜收集的任何颗粒，并且液体样品可在流式细胞仪中经受激光照射。另选地，膜可通过碱性消化被溶解，并且所获得的溶液可在流式细胞仪中经受激光照射。
[0033]
可捕获和量化颗粒的衍射光和自发荧光。由于每种颗粒类型会生成独特的光谱，因此所得数据可用于分析样品的微塑料含量。
[0034]
例如，本发明的过程可包括以下步骤：
[0035]-将含有颗粒的水基样品转移通过流动池，所述流动池至少部分地对至少一种感兴趣波长基本透明，
[0036]-用来自至少一个光源的具有一种感兴趣波长的光照射流动池中含有颗粒的水基样品，
[0037]-记录所述颗粒的至少一种光学特性，该至少一种光学特性由颗粒与流动池中具
有感兴趣波长的至少一个光束的相互作用产生，
[0038]-通过使用所述记录的至少一种光学特性来表征所述颗粒。
[0039]
流式细胞仪的功能对本领域技术人员而言是公知的并且在文献中有所描述，例如在“critical reviews in biotechnology(生物技术评论)”，37:2，163-176中有所描述。水基样品中含有的颗粒可包括微塑料颗粒。含有颗粒的水基样品可以是天然水样品。为了提高水基样品中颗粒的浓度，还可浓缩水基样品中的颗粒。例如，这可通过本领域中已知的任何方式来实现，诸如蒸发或过滤。过滤具有附加优点，即通过选择过滤器或多个过滤器中的孔径，可预先选择颗粒的尺寸范围。因此，在本发明的一个实施方案中，水基样品中的颗粒在分析之前被浓缩。
[0040]
就本发明的目的而言，术语“基本透明”应意指至少50％、至少60％、至少70％、至少80％、至少90％、至少95％或至少99％的透明。
[0041]
具有一种感兴趣波长的光是允许记录所述颗粒的至少一种光学特性的波长的光，该光学特性是由颗粒与具有感兴趣波长的光的相互作用产生的。例如，光源可具有在可见光范围内的波长。典型的人眼会对约380纳米至740纳米的波长做出反应。
[0042]
然后可记录由颗粒与具有感兴趣波长的光的相互作用产生的光学特性。然后可使用在所述样品中记录的颗粒的光学特性来表征颗粒。通常，颗粒会产生独特的光学特性，使得这些光学特性可像指纹一样用于定义颗粒的某些特性。例如，此类特性包括微塑料颗粒的尺寸和性质。
[0043]
有利地，本发明过程中所使用的流式细胞术是光谱流式细胞术。光谱流式细胞术在本领域中是公知的，并且例如在以下文献中有描述：“biophotonics international(国际生物光子学)”，2004年10月，第36-40页；“curr protoc cytom.”2013年1月；“chapter:unit 1.27(chapter：单元1.27)”；或“cytometry”95(8)，2019年8月，第823-824页。
[0044]
与经典流式细胞仪相比，光谱流式细胞仪通过使用具有大量过滤器和检测器的阵列来改进检测部分，这些过滤器和检测器覆盖从每次激光发射到近红外(840nm)的整个可见光谱。与传统流式细胞仪相比，光谱流式细胞仪的益处在于其使得能够为每个颗粒收集大量变量，以便为随后可分类的每种类型的颗粒创建独特的光谱指纹。每个颗粒的指纹取决于材料和/或取决于荧光团。
[0045]
光谱流式细胞术可包括记录步骤，该记录步骤使用覆盖至少50％、至少75％或至少90％可见光谱的检测阵列来记录所述颗粒的至少一种光学特性，该至少一种光学特性由颗粒与流动池中具有感兴趣波长的至少一个光束的相互作用产生。例如，检测阵列可覆盖约380纳米至560纳米、约560纳米至740纳米、约400纳米至600纳米、约380纳米至640纳米、约390纳米至730纳米、约480纳米至740纳米、约380纳米至720纳米、约400纳米至740纳米或约380纳米至740纳米的波长范围。通常，覆盖大波长范围的优点在于可更完整地检测颗粒的光学特性。这进而允许更精确地表征颗粒。
[0046]
用于细胞术的细胞仪可配备有至少1个激光器。例如，其可配备有至少2个激光器、至少3个激光器、至少4个激光器、至少5个激光器、至少6个激光器、至少7个激光器、至少8个激光器、至少9个激光器或至少10个激光器。使用较大数量的激光器的优点在于可同时检测更大数量的颗粒的光学特性，从而产生更完整的“指纹”。例如，根据本发明的用于细胞术的细胞仪可配备有至少4个激光器，例如，波长分别为405nm、488nm、561nm和640nm的4个激光
器。根据本发明的用于细胞术的细胞仪也可配备有至少5个激光器，例如，波长分别为355nm、405nm、488nm、561nm和640nm的5个激光器。
[0047]
根据本发明记录的颗粒的至少一种光学特性(由颗粒与流动池中具有感兴趣波长的至少一个光束的相互作用产生)可以是允许颗粒表征的任何光学特性。例如，可检测颗粒的衍射光和/或荧光(诸如自发荧光)。如果颗粒是塑料微粒，则例如在流式细胞术期间，包括塑料微粒的衍射光和/或自发荧光的光谱可由至少一个检测器记录。
[0048]
可使用适合于检测待记录的光学特性的任何检测器。例如，可使用雪崩光电二极管检测器(apd)，使得在本发明的一个实施方案中，塑料微粒的衍射光和自发荧光可由至少一个雪崩光电二极管检测器(apd)记录。此类apd很容易从专业供应商商购获得，诸如，例如hamamatsu、osioptoelectronics或thorlabs。
[0049]
根据本发明，在细胞术期间，例如在流式细胞术期间，通过记录脉冲信号的高度、面积和宽度来记录荧光信号、前向散射和/或侧向散射和/或其他参数。记录脉冲信号的高度、面积和宽度将进一步有助于细化所记录的指纹，并且因此将使所导致的塑料微粒的检测和表征更精确。
[0050]
有利地，根据本发明，基于所记录的光学特性对颗粒(例如塑料微粒)的检测和表征是自动化的。此类自动化可借助于计算机实施的算法来实现。例如，所记录的数据可由机器学习算法处理，该机器学习算法可基于颗粒的独特光谱来区分和分类每个颗粒以表征所述颗粒。
[0051]
例如，机器学习算法可收集和辨识可能存在于水基样品中的几种不同颗粒类型的独特光谱。这些颗粒类型可以是不同类型的塑料，但也可以是非塑料颗粒。例如，来自非塑料颗粒的光谱然后可从样品中所有颗粒的记录光学特性中自动减去。可将新辨识的非塑料颗粒的光谱添加到从非塑料颗粒收集的光谱列表中。其结果是，随着时间的推移，越来越多的非塑料颗粒可自动且可靠地识别出来并被排除在水基样品中微塑料颗粒的分析之外。因此，在本发明的一个实施方案中，所记录的数据由机器学习算法处理，该机器学习算法涉及将由水基样品中不是基于塑料的颗粒所产生的光谱排除在外。
[0052]
深度学习方法是基于多层人工神经网络的机器学习方法。学习可以是有监督的、半监督的或无监督的。深度学习架构如今已应用于许多领域，并且经常产生与人类专家相当甚至在一些情况下优于人类专家的结果。
[0053]
就本发明的目的而言，可使用允许识别和排除由非塑料颗粒产生的光谱的机器学习算法。例如，就本发明的目的而言，机器学习算法可包括选自由以下组成的组中的至少一种算法：deep auto encoder(深度自动编码器)、generative adversarial network(生成对抗网络)、one class support vector machines(一类支持向量机)、isolation forest(隔离森林)或它们的组合。
[0054]
包括由水基样品中至少一部分颗粒产生的所记录的光学特性在内的所记录的数据可通过允许对来自样品的塑料颗粒进行分类和/或识别的机器学习算法进一步处理。例如，该步骤可在排除了由水基样品中不是基于塑料的颗粒产生的光谱之后执行。
[0055]
因此，例如，所记录的数据可由机器学习算法处理，该机器学习算法涉及通过使用监督算法将塑料颗粒分类成预定义类别。
[0056]
此类监督算法是公知的，并且描述了学习基于示例性输入-输出对将输入映射到
输出的函数的任务。监督学习算法对训练数据进行分析并产生推断函数，该推断函数可用于映射新示例(stuart j.russell、peter norvig(2010)“artificial intelligence:a modern approach(人工智能：现代方法)”，第三版)。使用监督算法的优点在于，基于训练数据中可用的数据的质量和数量，颗粒的识别将变得越来越可靠和精确。
[0057]
训练数据可包括例如已知参考颗粒的光谱的光学特性的独特组合。此类参考颗粒可包括例如不同类型的塑料微粒，但也可包括存在于样品中的其他类型的颗粒，诸如，例如微生物或矿物质。
[0058]
通过(例如利用监督算法)处理所记录的数据而将所分析的颗粒(例如塑料微粒)分类到其中的预定义类别可包括以下：聚乙烯、聚(甲基丙烯酸甲酯、聚苯乙烯、聚碳酸酯、聚丙烯和聚对苯二甲酸乙二醇酯)。
[0059]
有几种监督算法可用于执行该分类。例如，监督算法可包括选自由以下组成的组的至少一种算法：feed forward neuronal network(前馈神经网络)、convolution neuronal networks(卷积神经网络)、random forest(随机森林)、support vector machines(支持向量机)、multilayer perceptron(多层感知器)、logistic regression(逻辑回归)或它们的组合。
[0060]
如果水基样品中的颗粒在分析之前被浓缩，则发明人已通过本发明的过程获得了特别好的结果。例如，水基样品中的颗粒是通过以下方式来浓缩：通过平均孔径在0.1μm-6μm范围内的硝化纤维素膜过滤一定量的待测试的水基样品，用tbah(四丁基氢氧化铵)40％溶液消化该膜。在消化了膜之后，用lc-ms级水稀释溶液。该溶液然后含有浓缩形式的颗粒。然后通过流式细胞术分析该溶液。
[0061]
例如，水基样品中的颗粒是通过以下方式来浓缩：通过平均孔径在0.1μm-6μm范围内的硅膜过滤一定量的待测试的水基样品，用lc-ms级水冲洗该膜并收集冲洗溶液。该溶液然后含有浓缩形式的颗粒。然后通过流式细胞术分析该溶液。
[0062]
本领域的技术人员将理解，他们可自由地合并本文所公开的本发明的所有特征。特别地，针对本发明的产品所描述的特征可与本发明的用途合并，反之亦然。另外，可组合针对本发明的不同实施方案所描述的特征。
[0063]
尽管以举例的方式对本发明进行了描述，但应当理解，在不脱离权利要求书中所定义的本发明范围的前提下，可作出变型和修改。
[0064]
此外，对于具体的特征如果存在已知的等同物，则应如同在本说明书中明确提到的那样来并入此类等同物。参见附图和非限制性实施例后，本发明的另外的优点和特征将变得显而易见。
[0065]
实施例：
[0066]
方法
[0067]
用配备有4个激光器(405nm、488nm、561nm、640nm)或5个激光器(355nm、405nm、488nm、561nm、640nm)的光谱流式细胞仪进行水或其他饮料中的微塑料的识别。通过一系列雪崩光电二极管(apd)检测器来捕获微塑料的衍射光和自发荧光，以便通过记录脉冲信号的高度、面积和宽度来采集每个荧光信号、前向散射和侧向散射。然后通过机器学习算法来处理所收集到的数据，该机器学习算法可基于独特光谱来区分和分类每个颗粒。
[0068]
将水样品(500ml、1升、1.5升或2升)无菌地收集在干净的玻璃漏斗中，并且用不锈
钢歧管通过硝化纤维素膜进行过滤。然后在干净的玻璃管中用tbah40％溶液来消化该膜。消化后，加入lc-ms级水以稀释该溶液，并且用光谱流式细胞仪来分析管的内容物。用光谱流式细胞仪采集样品，该光谱流式细胞仪设定了fsc和ssc阈值以避免检测到亚微米颗粒。所有参数均以脉冲的高度(h)和面积(a)来记录。fsc、ssc和每个激光器的每个检测器阵列的第一参数也用宽度(w)来记录。
[0069]
当与已知尺寸颗粒(聚苯乙烯粒度标准试剂盒、流式细胞术级)相比时，颗粒的尺寸是通过fsc-a、ssc-a和v1-w参数来确定。
[0070]
原始数据以fcs 3.0格式保存并导入fcsexpress 7.0。用fcsexpress7.0来分析fcs文件，并将其导出为csv文件，该文件具有fsc、ssc的所有参数和所有荧光检测器。如以下“数据分析”部分所述，对csv文件进行进一步处理。
[0071]
标准制备：
[0072]
所有玻璃器皿均已用lc-ms级水(pierce，目录号51140)冲洗，然后在lc-ms级水中的sds溶液中洗涤，并放入超声波浴中30分钟。玻璃器皿然后用70％乙醇进行冲洗，并且然后再次用lc-ms级水进行冲洗。
[0073]
塑料标准已通过研磨不同类型的塑料制备。每个标准已用sds溶液重悬于玻璃管中以减少浮力，并利用如上所述光谱流式细胞仪直接从管中采集。对于每个标准，采集至少70000个颗粒。对于算法的训练，每个标准使用更少的颗粒。
[0074]
数据分析：
[0075]
在应用机器学习技术之前，对流式细胞术数据执行以下预处理步骤：
[0076]
去除额外的导出变量：从数据集中去除诸如时间和fsc/ssc等特征(独立变量)。
[0077]
数据过滤：从分析中去除至少一个特征超出比例或低于定量限值的颗粒。
[0078]
离群值检测：如果离群值颗粒在对应特征的z-得分中呈现出大于3或小于-3的至少一个值(可使用不同阈值来微调离群值检测的严格性)，则该离群值颗粒会被自动检测并去除。
[0079]
此外，数据使用对数变换进行变换，并使用标准尺度进行缩放，该标准尺度通过去除平均值和缩放到单位方差来标准化每一行。
[0080]
数据探索：使用主成分分析或用不同的降维工具对数据进行可视化，以评估任何聚类结构或全局离群值的存在。
[0081]
分类
[0082]
水可含有未知数量的不同颗粒，包括塑料、细菌、矿物质等。虽然存在于水中的每个颗粒类型都具有粗略定义的光谱，但它们具有明显不同的类型。取决于训练算法所需的阴性颗粒类型(存在于水中的非塑料颗粒的类型)的量，该问题能够以两种方式来解决：
[0083]
闭集分类器：当阴性颗粒表示存在于待分类的水中的所有类型的非塑料颗粒时(即在水始终具有相同组分的受控环境中)。
[0084]
开集分类器：当未知数量的不同类型的颗粒存在于待分类的水中时(即在水可能具有未知数量的组分的自然环境中)。所提出的深度学习过程根据光谱流式细胞术数据识别和分类塑料，而不需要详尽数量的控制颗粒(开集分类器)。
[0085]
该过程包括两个主要步骤：
[0086]
i.通过使用无监督学习算法从其他颗粒中识别塑料颗粒。在该第一步骤中，排除
了大部分阴性颗粒(不是塑料)和剩余的离群值。由于可用于训练的塑料的数量具有粗略定义的光谱并且其他类型的颗粒非常稀疏，因此为了学习每个塑料标准的类内相关性，使用“单类分类器(one class classifier)”。例如，基于深度自动编码器的算法，该算法通过尝试学习恒等函数的近似值来学习数据的低维表示。两个主要部分构成自动编码器算法：将输入映射到低维表示的编码器，以及将低维表示映射到初始输入的重建的解码器。另选地可使用其他算法，诸如generative adversarial networks(生成对抗网络)、one class support vector machines(一类支持向量机)或isolation forest(隔离森林)，但是它们与该分类过程的第二部分的集成将是最佳的，并且预计会出现性能问题。这类算法是用待检测的颗粒(在这种情况下为塑料)进行训练，并且使用重建误差作为目标参数。
[0087]
ii.通过使用监督算法将塑料颗粒分类为正确的类别。在该第二步骤中，根据每种期望的塑料类型和/或颜色来对第一步骤中检测到的塑料颗粒进行分类。必须预先定义塑料类别，并且必须正确分类用于训练分类器的所有塑料。认为每个塑料颗粒只能属于一类塑料。分类器还必须具有表示未预先识别的其他类型的颗粒的类别。为了将塑料颗粒分类为一个且仅一个塑料类别，使用了多类分类算法。例如，基于前馈神经网络(即多层感知器)的深度学习模型将能够评估所有定义的塑料类别之间的类间相关性并选择正确的塑料类别。在第一步骤使用深度自动编码器的情况下，经预训练的编码器可直接与前馈网络集成。前馈网络将使用编码器的输出作为输入进行训练，并且不仅能够将塑料分类到正确的类别中，而且能够以高精度排除不是塑料的颗粒。另选地可使用其他多类机器学习算法，诸如random forest(随机森林)、support vector machines(支持向量机)、multilayer perceptron(多层感知器)或logistic regression(逻辑回归)。在使用这些另选算法中的一种算法的情况下，分析是可能的，但性能会受到影响，因为算法在训练时没有考虑第一步骤中提出的单类分类器的存在。