一种基于AI的材料性能光谱检测系统与方法技术方案

本发明专利技术公开了一种基于AI的材料性能光谱检测系统及方法，涉及人工智能领域，该系统包括谱图嵌入模块、特征融合模块、性能预测模块、不确定性评估模块和输出分析模块。本发明专利技术融合了光谱数据、微观结构图像和材料组成等多源信息，通过多模态注意力机制建模材料性能特征，提高了特征表达的完整性和预测模型的准确性。构建异构神经网络结构，实现对高维谱图数据的有效表征，并通过残差融合机制增强特征学习能力。通过注意力热区图、注意力分布图及LIME因果分析方法，提供每一个预测结果的关键特征解释，增强预测模型的科学性与信赖度。

【技术实现步骤摘要】

本专利技术涉及人工智能，特别是一种基于ai的材料性能光谱检测系统与方法。

技术介绍

1、随着高光谱技术与微观表征手段的发展，材料在不同光谱波段下的吸收、反射、发射等响应特性可被精准获取，为材料性能预测提供了大量潜在信息。然而，光谱数据通常维度高、冗余强，且难以直接揭示与性能之间的复杂非线性关系。此外，仅依赖光谱信息往往难以全面刻画材料的结构特征和宏观性能行为。近年来，人工智能尤其是深度学习技术在图像识别、语音处理、医疗诊断等领域表现出优越的建模能力，其在材料科学中的应用逐步受到重视。例如，有研究使用卷积神经网络处理材料微观图像，或利用全连接网络对化学成分进行回归预测。但现有技术存在以下不足：大多方法仅利用单一模态（如光谱或图像）数据，未能实现多源信息协同建模；传统神经网络模型缺乏可解释机制，无法揭示特征与性能之间的因果关系；现有方法通常仅输出点预测结果，缺乏对模型不确定性或预测置信度的估计；对分布外样本或新型材料的适应能力较弱，无法进行有效的动态识别与反馈。

2、因此，亟需一种融合光谱信息、微观结构特征与图像数据的多模态智能分析方法，能够高效、本文档来自技高网...

【技术保护点】

1.一种基于AI的材料性能光谱检测系统，其特征在于，包括：

2.如权利要求1所述的基于AI的材料性能光谱检测系统，其特征在于，所述将光谱数据输入至包含双通道结构的异构神经网络中，一通道为基于CNN的局部特征提取网络，另一通道为基于转换器的全局依赖建模网络，输出多尺度谱图嵌入向量，包括：

3.如权利要求1所述的基于AI的材料性能光谱检测系统，其特征在于：所述并通过注意力残差融合模块对不同尺度嵌入表示进行加权组合，生成动态调控的谱图特征向量，包括：

4.如权利要求1所述的基于AI的材料性能光谱检测系统，其特征在于：所述获取材料的微观结构、化学成分和图像数据...

【技术特征摘要】

1.一种基于ai的材料性能光谱检测系统，其特征在于，包括：

2.如权利要求1所述的基于ai的材料性能光谱检测系统，其特征在于，所述将光谱数据输入至包含双通道结构的异构神经网络中，一通道为基于cnn的局部特征提取网络，另一通道为基于转换器的全局依赖建模网络，输出多尺度谱图嵌入向量，包括：

3.如权利要求1所述的基于ai的材料性能光谱检测系统，其特征在于：所述并通过注意力残差融合模块对不同尺度嵌入表示进行加权组合，生成动态调控的谱图特征向量，包括：

4.如权利要求1所述的基于ai的材料性能光谱检测系统，其特征在于：所述获取材料的微观结构、化学成分和图像数据，采用多模态注意力融合机制，将谱图特征向量与结构特征融合为统一特征向量，用于建模性能预测，包括：

5.如权利要求1所述的基于ai的材料性能光谱检测系统，其特征在于，所述基于融合后的统一特征向量，构建深度性能预测网络模型，所述深度性能预测网络模型引入图卷积模块模拟光谱序列内部特征相关性，并引入多任务学习框架...

【专利技术属性】
技术研发人员：王睿涵，张子涵，唐浩文，沈骏宇，
申请(专利权)人：苏州工学院，
类型：发明
国别省市：