基于多尺度特征注意力网络的太赫兹双梳光谱聚合物分类方法
新研究提出MSFAN深度学习架构，结合太赫兹双梳光谱技术对12种聚合物进行分类，准确率达85.2%，有望提升塑料回收分拣效率。
来源arXiv Machine Learning作者: Roshni Mahtani, Il\'an Carretero, Laura Monroy, Aldo Moreno-Oyervides, Oscar El\'ias Bonilla-Manrique, Roc\'io del Amor
可靠识别聚合物对于保证回收塑料的质量和安全至关重要，但传统分拣和光谱技术往往难以实现稳健区分。太赫兹双梳光谱（THz-DCS）作为一种快速、高分辨率、非破坏性的测量手段，提供了有前景的替代方案。
在一项发表于EUSIPCO'26的研究中，研究者利用THz-DCS对12种聚合物进行分类，包括纯净聚合物、多层薄膜、商业共混物和生物聚合物。为处理这些光谱信号的复杂性，他们提出了多尺度特征注意力网络（MSFAN），一种专为THz-DCS数据设计的深度学习架构。该框架集成了特征门控用于信号重校准，以及多尺度并行卷积以捕捉不同频率模式。通过交叉特征注意力和注意力池化进一步优化特征，使模型能够突出最具信息量的太赫兹区域。
实验结果显示，MSFAN持续优于现有最先进模型，分类准确率达到85.2%。本研究展示了将THz-DCS与深度学习技术相结合，用于高效、可扩展且可解释的聚合物分类的潜力，为塑料回收行业提供了新的技术路径。
论文由作者Roshni Mahtani等人提交，于2026年6月4日发布在arXiv上，并被欧洲信号处理会议EUSIPCO'26接收。研究强调了太赫兹光谱在工业分选中的实际应用价值，未来工作可能探索更广泛的聚合物类型以及实时部署方案。