用原生塑料微珠训出来的识别模型，认得出风化后的微塑料吗

1 · 研究问题

现场微塑料识别模型用实验室标准颗粒（PS、PE、PET）训练并报告了 94% 准确率。当把测试集换成经过紫外老化、机械磨蚀、生物膜附着的同种塑料颗粒，准确率掉到多少？掉幅能否用某个可测量的表观特征（黄变指数、表面粗糙度、透明度）预测？ 在预先固定的样本、对照与统计口径下，主效应的方向、幅度和不确定度分别是多少，结论能否在独立留出数据或独立重复中成立？

2 · 研究背景与空白

背景。 这条课题研究的不是“能不能做出一个结果”，而是一个现有结论在测量误差、样本差异和外推条件改变后还能不能站住。核心逻辑是把观察量、真实目标量与混杂因素分开：先用已知答案校验工具，再固定对照和重复单位，最后用误差棒判断差异。只给一个最高分、一次演示或一条相关关系，不能说明方法在新样本上可靠。

已有工作到哪一步。 ENEV043（2026 Top Award + Grand Award + Special Award，仿生海龟上的原位微塑料检测） 原文 "custom-trained AI models were developed using PS, PE, and PET microplastic reference samples, resulting in 94% detection accuracy"、"Performance was evaluated across 15 field trials at 10 bodies of water, yielding statistics on particle size and concentration"。ENEV013（2025 Grand Award，激光除河床微塑料） 是同一问题的另一形态：它 "identifies MPs by illuminating suspended particles with laser light, measuring the reflected light with a camera, then either collecting them or releasing them"，报告 "remove 90.54% of microplastics which pass through the device"——分母是"通过装置的微塑料"，而这些微塑料本身是靠同一套光学方法判定的，判据与被判对象循环依赖。2022–2024：ENEV026（2024 Fourth Award，自主微塑料收集半潜器）、ENEV034（2024 Fourth Award，类芬顿反应除微塑料）标题级同域，均不是识别有效性方向。

空白在于：ENEV043（2026 Top Award）的训练与验证素材是 "PS, PE, and PET microplastic reference samples"，也就是原生标准颗粒；随后它做了 "15 field trials at 10 bodies of water"，但现场结果只报告了粒径与浓度统计，没有任何一条与参比方法（FTIR/拉曼/显微计数）的比对——也就是说，94% 这个准确率是在原生颗粒上测的，现场数据的正确性从未被验证。你的贡献是构造一个受控的域偏移基准：取同一批原生颗粒，做四档处理（原生 / UV 老化 168 h / 机械磨蚀 / 湖水浸泡 21 天生成生物膜），用同一个模型测试，画出准确率随老化程度的衰减曲线，并测量每一档的表观特征做回归。这条课题只需要一台笔记本（纯 CPU 可跑轻量 CNN）、一个 USB 显微镜和一盏 UV 灯，却直接检验了本类目最高奖项目的核心有效性主张。 五字段原文的研究问句是：现场微塑料识别模型用实验室标准颗粒（PS、PE、PET）训练并报告了 94% 准确率。当把测试集换成经过紫外老化、机械磨蚀、生物膜附着的同种塑料颗粒，准确率掉到多少？掉幅能否用某个可测量的表观特征（黄变指数、表面粗糙度、透明度）预测？ 这适合一年期学生课题，因为可以把主任务裁成一个对象、一个主指标和一个独立复核；即使预期差异不出现，只要校验与统计功效过关，零结果仍能界定已有结论的适用边界。

3 · 可检验假设

H1 在加入本课题预先规定的控制、校正或独立验证后，主指标将沿五字段框架所述预期方向变化，且相对基线变化 ≥ 10% 或标准化效应绝对值 ≥ 0.5；若 95% 置信区间同时排除这两个门槛，则 H1 被否证。两种尺度只选与主指标有意义的一种，并在预实验前写死。

H2 若 H1 被否证，备择机制是假定原观察主要由测量误差、样本构成、基础率、时间漂移或未控制混杂驱动；比较“仅含原变量”与“加入机制变量”的模型，若主效应方向改变或绝对值下降 ≥ 20%，则支持机制解释，否则报告当前分辨率下未找到证据。

4 · 量化验收标准

1. 方法学校验硬门槛。 用自建管线、装置或代码重跑一个答案已知的合成算例/标准样；主量反算偏差须 ≤ 5%。不过关则停止，且后续全部结论无效。
2. 统计口径预先写死。 独立样本、技术重复和连续观测分开计数；测量类每个关键条件至少 3 次独立重复，技术重复只估计仪器噪声，并用误差传播或方差分量合成不确定度。极不平衡分类主报 PR-AUC、precision、recall，不以 accuracy 为主，因为全猜多数类也会虚高；时间序列按时间划分并把随机划分仅作泄漏对照。
3. 正式采集前固定主指标、排除规则、对照、效应方向与 10%（或标准化效应 0.5）判据；报告全部独立重复、效应量和 95% 置信区间，不只报 p 值或最佳一次。
4. 至少完成一项阴性对照和一项敏感性分析；改变关键阈值、预处理或模型选择时，主结论不得仅由单一任意选择决定。
5. 用独立批次、独立留出段或第二种原理不同的方法复核主量；不一致时优先报告不一致与误差预算，不平均成一个“更好看”的数字。
6. 可复现性。 保存原始数据、清洗记录、参数、环境版本、随机种子、脚本和排除日志；第三方应能重建主表与主图。

5 · 数据与工具

用途	来源 / 工具
研究对象与主问题	现场微塑料识别模型用实验室标准颗粒（PS、PE、PET）训练并报告了 94% 准确率。当把测试集换成经过紫外老化、机械磨蚀、生物膜附着的同种塑料颗粒，准确率掉到多少？掉幅能否用某个可测量的表观特征（黄变指数、表面粗糙度、透明度）预测？
原创切口	ENEV043（2026 Top Award）的训练与验证素材是 "PS, PE, and PET microplastic reference samples"，也就是原生标准颗粒；随后它做了 "15 field trials at 10 bodies of water"，但现场结果只报告了粒径与浓度统计，没有任何一条与参比方法（FTIR/拉曼/显微计数）的比对——也就是说，94% 这个准确率是在原生颗粒上测的，现场数据的正确性从未被验证。你的贡献是构造一个受控的域偏移基准：取同一批原生颗粒，做四档处理（原生 / UV 老化 168 h / 机械磨蚀 / 湖水浸泡 21 天生成生物膜），用同一个模型测试，画出准确率随老化程度的衰减曲线，并测量每一档的表观特征做回归。这条课题只需要一台笔记本（纯 CPU 可跑轻量 CNN）、一个 USB 显微镜和一盏 UV 灯，却直接检验了本类目最高奖项目的核心有效性主张。
前作与对照基准	ENEV043（2026 Top Award + Grand Award + Special Award，仿生海龟上的原位微塑料检测） 原文 "custom-trained AI models were developed using PS, PE, and PET microplastic reference samples, resulting in 94% detection accuracy"、"Performance was evaluated across 15 field trials at 10 bodies of water, yielding statistics on particle size and concentration"。ENEV013（2025 Grand Award，激光除河床微塑料） 是同一问题的另一形态：它 "identifies MPs by illuminating suspended particles with laser light, measuring the reflected light with a camera, then either collecting them or releasing them"，报告 "remove 90.54% of microplastics which pass through the device"——分母是"通过装置的微塑料"，而这些微塑料本身是靠同一套光学方法判定的，判据与被判对象循环依赖。2022–2024：ENEV026（2024 Fourth Award，自主微塑料收集半潜器）、ENEV034（2024 Fourth Award，类芬顿反应除微塑料）标题级同域，均不是识别有效性方向。；仅用于校验与对比，不计入本项目的数据贡献
数据/样本	需核实：可取得数量、独立单位、标签/测量定义、许可与缺失情况；未确认内容不得写成已具备
分析工具	纯 CPU、16 GB 笔记本可运行的开源工具优先；需核实版本、许可、输入格式、分组/时序划分和不确定度输出能力
校验材料	已知答案的合成数据、标准样或公开基准；仅用于校验与对比，不计入本项目的数据贡献
风险边界	最可能死在"生物膜"这一档上——湖水浸泡会培养出未知微生物群落，虽然不做分离培养，仍应在研究计划中说明并按 Form 3 处理；若 SRC 要求过高，可以只保留 UV 老化与机械磨蚀两档，结论强度略降但完全成立。UV 老化灯（365 nm，Class 无关，但属紫外辐射源需防护）约 ¥200；USB 数码显微镜 ¥150–400；模型用 MobileNet/EfficientNet-Lite 在 CPU 上微调，无需 GPU。总成本 < ¥800，到货 3–7 天。 展台：塑料颗粒若完全干燥且非粉末状可争取，但湖水样本禁止。

6 · 方法路径

1. 装环境或搭装置，跑通已知答案算例并完成校验。 锁定版本、单位、坐标/标签定义和误差计算；反算偏差 >5% 时只修方法，不进入正式样本。
2. 核实工具能力边界并逐条排查静默失败点。 五字段原约束为：最可能死在"生物膜"这一档上——湖水浸泡会培养出未知微生物群落，虽然不做分离培养，仍应在研究计划中说明并按 Form 3 处理；若 SRC 要求过高，可以只保留 UV 老化与机械磨蚀两档，结论强度略降但完全成立。UV 老化灯（365 nm，Class 无关，但属紫外辐射源需防护）约 ¥200；USB 数码显微镜 ¥150–400；模型用 MobileNet/EfficientNet-Lite 在 CPU 上微调，无需 GPU。总成本 < ¥800，到货 3–7 天。 展台：塑料颗粒若完全干燥且非粉末状可争取，但湖水样本禁止。 此外检查单位或标签错位、全数据预处理泄漏、相关观测冒充独立 n、缺失值静默填 0、默认参数改变口径、输出正常但物理量方向或尺度错误；每项用最小反例测试，不能以“软件未报错”作为通过。
3. 预注册最小设计。 把主问题收敛为一个对象、一个主指标、一个主要对照；写死样本单位、重复数、阈值、排除规则和降级触发条件。
4. 采集或整理正式数据。 保留原始输入与时间戳/批次，盲化能盲化的标签；协议偏离当天登记，不覆盖原记录。
5. 估计主效应与不确定度。 同时报原口径与校正口径，给出误差棒、效应量、失败样本和敏感性曲线；分类、时序或测量问题按 §4 执行。
6. 检验 H2 与边界条件。 H1 不成立时不临时换题，而是量化测量误差、样本构成、基础率、时间漂移或混杂能解释多少。
7. 独立交叉校验。 使用独立批次、留出时间段或第二种原理不同的方法复算主量；失败时以“不一致”为主结果，不选择性保留支持预期的路径。

7 · 新颖性边界

本课题不声称什么： 不声称首次进入该主题，不声称重新发现或推翻前作，也不把前作的项目编号、年份、奖级、引文和数字据为本项目结果；具体已有工作是：ENEV043（2026 Top Award + Grand Award + Special Award，仿生海龟上的原位微塑料检测） 原文 "custom-trained AI models were developed using PS, PE, and PET microplastic reference samples, resulting in 94% detection accuracy"、"Performance was evaluated across 15 field trials at 10 bodies of water, yielding statistics on particle size and concentration"。ENEV013（2025 Grand Award，激光除河床微塑料） 是同一问题的另一形态：它 "identifies MPs by illuminating suspended particles with laser light, measuring the reflected light with a camera, then either collecting them or releasing them"，报告 "remove 90.54% of microplastics which pass through the device"——分母是"通过装置的微塑料"，而这些微塑料本身是靠同一套光学方法判定的，判据与被判对象循环依赖。2022–2024：ENEV026（2024 Fourth Award，自主微塑料收集半潜器）、ENEV034（2024 Fourth Award，类芬顿反应除微塑料）标题级同域，均不是识别有效性方向。

已有工作做到哪一步： 五字段证据表明前作已完成其原始对象、方法或性能演示；本项目完整保留这条事实，不把摘要未写出的信息推断为“没有做”。数据集、器材规格、价格、货期或外部文献的任何补充均标为“需核实”。

本项目贡献（属「评价维度转换」；若使用全新独立对象则同时属「新样本独立检验」，若核心是校准与脚本则同时属「方法可复现性贡献」）： ENEV043（2026 Top Award）的训练与验证素材是 "PS, PE, and PET microplastic reference samples"，也就是原生标准颗粒；随后它做了 "15 field trials at 10 bodies of water"，但现场结果只报告了粒径与浓度统计，没有任何一条与参比方法（FTIR/拉曼/显微计数）的比对——也就是说，94% 这个准确率是在原生颗粒上测的，现场数据的正确性从未被验证。你的贡献是构造一个受控的域偏移基准：取同一批原生颗粒，做四档处理（原生 / UV 老化 168 h / 机械磨蚀 / 湖水浸泡 21 天生成生物膜），用同一个模型测试，画出准确率随老化程度的衰减曲线，并测量每一档的表观特征做回归。这条课题只需要一台笔记本（纯 CPU 可跑轻量 CNN）、一个 USB 显微镜和一盏 UV 灯，却直接检验了本类目最高奖项目的核心有效性主张。 主结论是原结论在预注册控制与独立复核下的效应幅度及适用边界，不是附带造一个更复杂模型或装置。

为何有价值： 它把“看起来有效”转换为“在多大误差、何种样本和什么阈值下仍有效”。差异不显著同样是有效结论，但必须给出误差棒证明有能力分辨预注册的 10% 相对变化或标准化效应 0.5；置信区间过宽只能写“测不出来”。

8 · 决策门槛（go / no-go）

第 5 周末必须同时满足：校验偏差 ≤ 5%、至少取得计划独立样本的 20%、主指标能从原始输入稳定重算。任一不满足，立即启动具名降级路径 “单对象能力边界标定”：砍掉多对象/多模型比较，只保留最可得的一种对象、一个主指标和一个独立复核，转而报告误差、敏感性与最小可分辨效应；主结论仍是“原结论在什么条件下站得住”。

与“附属赛后不得修改”的冲突点：主指标、阈值、样本排除、对照、预处理和降级触发条件必须赛前定死。须提前核实： 最可能死在"生物膜"这一档上——湖水浸泡会培养出未知微生物群落，虽然不做分离培养，仍应在研究计划中说明并按 Form 3 处理；若 SRC 要求过高，可以只保留 UV 老化与机械磨蚀两档，结论强度略降但完全成立。UV 老化灯（365 nm，Class 无关，但属紫外辐射源需防护）约 ¥200；USB 数码显微镜 ¥150–400；模型用 MobileNet/EfficientNet-Lite 在 CPU 上微调，无需 GPU。总成本 < ¥800，到货 3–7 天。 展台：塑料颗粒若完全干燥且非粉末状可争取，但湖水样本禁止。 同时核实许可、设备/软件真实能力、场地、表格和采购可得性。已知困难及其定位：这些限制就是能力边界，不用未经核实的规格填补。选择前提：学生愿意做重复、校验和零结果解释。预算裁剪顺序：先砍多模型/多材料，再砍次要指标，再砍展示性装置；不得砍校验、主要对照、独立重复和交叉验证。

净实验窗口按 2026-08 至 12 月约 3–4 个月规划。按实际对象核实合规：附属赛后项目不得更改；展台禁液体（含水）、土壤、玻璃、锐器、化学品、干燥粉末、>100 Wh 电池和通电无人机，禁网址与二维码；家中不得培养任何潜在危险生物制剂；涉及脊椎动物、人类受试者、激光、高真空或 SDS 标注的致癌致畸化学品时，须在相应动作前确认审批。AI 不得用于撰写研究计划、摘要、展板或引文。

评分： O=8, W=8, F=8, S=8, Fit=9 → base=81.0，h=14 → [67, 95]，置信度：低

---