買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉蘇州工學(xué)院申請的專利一種基于AI的材料性能光譜檢測系統(tǒng)與方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120452610B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-05發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510920097.6，技術(shù)領(lǐng)域涉及：G16C20/70；該發(fā)明授權(quán)一種基于AI的材料性能光譜檢測系統(tǒng)與方法是由王睿涵;張子涵;唐浩文;沈駿宇設(shè)計研發(fā)完成，并于2025-07-04向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于AI的材料性能光譜檢測系統(tǒng)與方法在說明書摘要公布了：本發(fā)明公開了一種基于AI的材料性能光譜檢測系統(tǒng)及方法，涉及人工智能領(lǐng)域，該系統(tǒng)包括譜圖嵌入模塊、特征融合模塊、性能預(yù)測模塊、不確定性評估模塊和輸出分析模塊。本發(fā)明融合了光譜數(shù)據(jù)、微觀結(jié)構(gòu)圖像和材料組成等多源信息，通過多模態(tài)注意力機制建模材料性能特征，提高了特征表達的完整性和預(yù)測模型的準確性。構(gòu)建異構(gòu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)對高維譜圖數(shù)據(jù)的有效表征，并通過殘差融合機制增強特征學(xué)習(xí)能力。通過注意力熱區(qū)圖、注意力分布圖及LIME因果分析方法，提供每一個預(yù)測結(jié)果的關(guān)鍵特征解釋，增強預(yù)測模型的科學(xué)性與信賴度。

本發(fā)明授權(quán)一種基于AI的材料性能光譜檢測系統(tǒng)與方法在權(quán)利要求書中公布了：1.一種基于AI的材料性能光譜檢測系統(tǒng)，其特征在于，包括： 譜圖嵌入模塊，用于獲取材料光譜數(shù)據(jù)，將光譜數(shù)據(jù)輸入至包含雙通道結(jié)構(gòu)的異構(gòu)神經(jīng)網(wǎng)絡(luò)中，一通道為基于CNN的局部特征提取網(wǎng)絡(luò)，另一通道為基于Transformer的全局依賴建模網(wǎng)絡(luò)，輸出多尺度譜圖嵌入向量，并通過注意力殘差融合模塊對不同尺度嵌入表示進行加權(quán)組合，生成動態(tài)調(diào)控的譜圖特征向量，利用多個不同卷積核寬度的一維卷積層，提取局部波段的特征模式每層卷積后接激活函數(shù)ReLU與BatchNorm層進行歸一化、非線性處理和穩(wěn)定訓(xùn)練，卷積輸出經(jīng)最大池化后形成多層語義嵌套的光譜局部特征表示；將光譜向量劃分為長度為n的序列，通過嵌入層生成光譜向量嵌入，將嵌入表示輸入至標準Transformer編碼器模塊，采用多頭自注意力機制建模不同波段之間的全局依賴關(guān)系；通過拼接或加權(quán)方式進行融合，采用注意力融合機制計算融合權(quán)重α，生成最終譜圖多尺度嵌入向量： ； 其中，Z為最終融合后的譜圖嵌入向量，α為權(quán)重系數(shù)，ZCNN為CNN分支輸出的譜圖特征向量，ZTransformer為Transformer分支輸出的譜圖特征向量，R為跨通道殘差修正項； 特征融合模塊，用于獲取材料的微觀結(jié)構(gòu)、化學(xué)成分和圖像數(shù)據(jù)，采用多模態(tài)注意力融合機制，將譜圖特征向量與結(jié)構(gòu)特征融合為統(tǒng)一特征向量，用于建模性能預(yù)測； 性能預(yù)測模塊，用于基于融合后的統(tǒng)一特征向量，構(gòu)建深度性能預(yù)測網(wǎng)絡(luò)模型，所述深度性能預(yù)測網(wǎng)絡(luò)模型引入圖卷積模塊模擬光譜序列內(nèi)部特征相關(guān)性，并引入多任務(wù)學(xué)習(xí)框架； 不確定性評估模塊，用于對深度性能預(yù)測網(wǎng)絡(luò)模型輸出的性能預(yù)測結(jié)果進行不確定性估計，通過貝葉斯回歸網(wǎng)絡(luò)評估每項性能的可信區(qū)間；若模型置信度低于設(shè)定閾值，則觸發(fā)動態(tài)校正機制，為每個性能指標構(gòu)建貝葉斯回歸預(yù)測頭，輸出預(yù)測均值和方差： ； 其中，μti為第i個性能指標的預(yù)測值，為預(yù)測不確定性，為正態(tài)分布或高斯分布； 預(yù)測輸出為高斯分布后，計算置信區(qū)間： ； 其中，為第i項材料性能指標在95%置信水平下的預(yù)測區(qū)間； 將當(dāng)前樣本的特征向量Zfusion與訓(xùn)練集樣本分布進行距離計算： ； 其中，為訓(xùn)練集中融合特征的均值向量，為兩個特征向量在高維空間中的直線距離； 若D預(yù)設(shè)偏移閾值，判斷為新型樣本或異常材料；將該樣本及其實際性能指標存入緩存隊列，累計多個低置信樣本后，觸發(fā)微調(diào)或增量學(xué)習(xí)； 輸出分析模塊，用于將預(yù)測性能指標以數(shù)值和可信區(qū)間方式輸出，結(jié)合可視化模塊展示譜圖熱區(qū)貢獻度以及模型注意力分布圖，并基于LIME方法生成每一預(yù)測結(jié)果的因果解釋。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人蘇州工學(xué)院，其通訊地址為：215506 江蘇省蘇州市常熟市南三環(huán)路99號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。