买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉同济大学申请的专利一种双模态多任务神经网络的塑料及其添加剂的识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121545614B 。

龙图腾网通过国家知识产权局官网在2026-04-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610063470.5，技术领域涉及：G16C20/20；该发明授权一种双模态多任务神经网络的塑料及其添加剂的识别方法是由章骅;邹惠煌;何品晶;吕凡;彭伟设计研发完成，并于2026-01-19向国家知识产权局提交的专利申请。

本一种双模态多任务神经网络的塑料及其添加剂的识别方法在说明书摘要公布了：本发明公开了塑料及其添加剂识别技术领域的一种双模态多任务神经网络的塑料及其添加剂的识别方法，包括收集已知塑料基材及其添加剂含量的塑料样品；基于中红外高光谱相机与手持式X射线荧光光谱仪，获取样品的中红外高光谱数据和X射线荧光光谱数据；基于样品配方或化学分析结果，得到样品的塑料基材类型、添加剂类型和添加剂剂量，确定塑料基材类型、添加剂类型和添加剂剂量的类型和回归标签。本发明基于中红外光谱及X射线荧光光谱两类模态在分子结构信息与元素组成信息层面的天然互补性，面向塑料‑添加剂体系的光谱特性，能够通过构建目标识别模型提升对携带多种添加剂的复杂废塑料体系的解析能力，具有突出的独特性和工程应用价值。

本发明授权一种双模态多任务神经网络的塑料及其添加剂的识别方法在权利要求书中公布了：1.一种双模态多任务神经网络的塑料及其添加剂的识别方法，其特征在于，包括： 收集已知塑料基材及其添加剂含量的塑料样品； 基于中红外高光谱相机与手持式X射线荧光光谱仪，获取样品的中红外高光谱数据和X射线荧光光谱数据； 基于样品配方或化学分析结果，得到样品的塑料基材类型、添加剂类型和添加剂剂量，确定塑料基材类型、添加剂类型和添加剂剂量的类型和回归标签，其中，回归标签为样品的目标添加剂质量分数； 剔除光谱数据中的异常数据，选取目标光谱数据，构建双模态光谱-标签数据集，划分数据集为训练集、验证集和测试集； 构建并训练双模态多任务神经网络模型，获得识别模型参数； 对初始识别模型进行评估，得到目标识别模型; 分别为中红外高光谱与X射线荧光光谱构建编码器，采用Dropout技术与激活函数将原始光谱映射为128维低维特征，包括： 将第i个样本的输入向量映射为隐含维度为h的低维特征表示： ，其中，i为第i个样本，f1i为模态一对应第i个样本经编码的特征表示，f2i为模态二对应第i个样本经编码的特征表示，为模态一对应全连接层的权重矩阵，为第一测试集样本，为模态二对应全连接层的权重矩阵，为第二测试集样本，为对应的偏置向量，为对应的偏置向量，为丢弃率，h为隐含维度； 采用可学习2×2混合矩阵对双模态特征进行柔性共享融合，输出用于塑料基材分类和添加剂分类的特征，包括： 构建混合矩阵为：； 柔性共享融合为：，其中，为塑料基材分类任务对应的双模态融合特征，为添加剂分类任务对应的双模态融合特征； 构建独立的双模态回归编码支路，包括： 将两模态原始输入向量在特征维度拼接形成联合向量，其中，联合向量为：，其中，A为模态一的特征维度，B为模态二的特征维度； 对回归隐含特征进行梯度阻断，并将回归隐含特征作为辅助信息送入两个分类任务头部，包括： 对回归隐含特征执行梯度阻断算子得到辅助特征，并将用作塑料基材分类输出头的输入，将用作添加剂类型分类输出头的输入，分别输出两项分类结果； 基于两项分类交叉熵损失与回归损失函数的加权和，计算总损失的加权和，其中，回归损失函数的权重随训练轮次渐进增加，包括： 采用联合损失函数对网络进行训练，两项分类任务采用交叉熵损失，回归任务采用回归损失函数，总损失为： ， 其中，为随训练轮次e变化的回归损失权重， ； 将训练集样本作为输入，对多任务神经网络进行迭代训练，采用验证集验证监控训练过程，确定目标模型参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。