基於多尺度特徵注意力網路的太赫茲雙梳光譜聚合物分類方法
新研究提出MSFAN深度學習架構，結合太赫茲雙梳光譜技術對12種聚合物進行分類，準確率達85.2%，有望提升塑膠回收分揀效率。
來源arXiv Machine Learning作者: Roshni Mahtani, Il\'an Carretero, Laura Monroy, Aldo Moreno-Oyervides, Oscar El\'ias Bonilla-Manrique, Roc\'io del Amor
可靠識別聚合物對於保證回收塑膠的質量和安全至關重要，但傳統分揀和光譜技術往往難以實現穩健區分。太赫茲雙梳光譜（THz-DCS）作為一種快速、高解析度、非破壞性的測量手段，提供了有前景的替代方案。
在一項發表於EUSIPCO'26的研究中，研究者利用THz-DCS對12種聚合物進行分類，包括純淨聚合物、多層薄膜、商業共混物和生物聚合物。為處理這些光譜訊號的複雜性，他們提出了多尺度特徵注意力網路（MSFAN），一種專為THz-DCS資料設計的深度學習架構。該框架整合了特徵門控用於訊號重校準，以及多尺度並行卷積以捕捉不同頻率模式。透過交叉特徵注意力和注意力池化進一步最佳化特徵，使模型能夠突出最具資訊量的太赫茲區域。
實驗結果顯示，MSFAN持續優於現有最先進模型，分類準確率達到85.2%。本研究展示了將THz-DCS與深度學習技術相結合，用於高效、可擴充套件且可解釋的聚合物分類的潛力，為塑膠回收行業提供了新的技術路徑。
論文由作者Roshni Mahtani等人提交，於2026年6月4日釋出在arXiv上，並被歐洲訊號處理會議EUSIPCO'26接收。研究強調了太赫茲光譜在工業分選中的實際應用價值，未來工作可能探索更廣泛的聚合物型別以及即時部署方案。