MSAMixerNet:一种具有注意力机制的多尺度MLP-Mixer模型,用于动物皮革的拉曼光谱分类

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:MSAMixerNet: A multi-scale MLP-Mixer model with attention mechanisms for Raman spectral classification of animal leather

【字体: 大 中 小 】 时间:2026年07月21日 来源:Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 4.3

编辑推荐:

  摘要随着动物皮革市场的快速发展,准确识别不同动物种类的皮革已成为确保市场监管和保护消费者权益的重要问题。拉曼光谱因其非破坏性、快速且高灵敏度的特点,已被广泛用于复杂材料的定性和定量分析。然而,在实际应用中常常面临高维冗余、噪声干扰、光谱峰偏移以及类别重叠等挑战,这些因素使得传统模

  

摘要

随着动物皮革市场的快速发展,准确识别不同动物种类的皮革已成为确保市场监管和保护消费者权益的重要问题。拉曼光谱因其非破坏性、快速且高灵敏度的特点,已被广泛用于复杂材料的定性和定量分析。然而,在实际应用中常常面临高维冗余、噪声干扰、光谱峰偏移以及类别重叠等挑战,这些因素使得传统模型难以实现稳定可靠的分类性能。为解决这些问题,本研究提出了一种基于校准的多模型共识学习框架——MSAMixerNet。该框架整合了多尺度MLP-Mixer骨干网络、基于Transformer的全局建模模块、CBAM通道-空间注意力机制以及位置编码机制,从而在局部敏感度与全局结构建模能力之间取得平衡。同时,它还采用了Bagging多模型集成策略,通过在不同训练子集上构建多个子模型并进行共识投票,有效缓解了过拟合和数据分布不平衡的问题。在动物皮革拉曼光谱分类方面的实验结果表明,该框架在九个动物皮革数据集上的准确率达到了98.27%,在稳健性和置信度可靠性方面均优于现有的主流方法。这项研究不仅为高维噪声环境中的智能光谱识别提供了新的解决方案,也为后续的市场监管和材料防伪应用提供了可行的技术路径。

引言

随着动物皮革产业的扩张以及市场供应链的日益复杂,可靠地识别皮革种类已成为产品质量控制、可追溯性和防伪监督中的重要要求。由于拉曼光谱具有非破坏性且能够表征分子振动信息,因此为区分皮革材料提供了可行的技术基础。尽管传统的组织学方法仍是精确识别物种的金标准,但其本质上的破坏性以及耗时的样本制备过程限制了其大规模应用。因此,拉曼光谱作为一种快速、自动化的补充手段,特别适用于高通量的市场检测。此外,皮革的光谱特征受到I型胶原纤维的层次结构以及制革过程中所使用的化学物质的强烈影响,这使得拉曼光谱天然具备反映物种间差异的能力。
然而,在实际测量场景中,皮革的拉曼光谱常常受到荧光背景干扰、信噪比低以及峰位偏移的影响。同时,一些亲缘关系较近的物种之间的特征光谱差异较为微妙,可能会被重叠的峰簇或采集过程中的变化进一步掩盖。这些因素限制了传统化学计量模型和浅层学习框架的可靠性,尤其是在处理大规模、多批次或跨设备的数据集时。
为应对这些挑战,本研究旨在构建一个强大且可解释的光谱分类框架,该框架能够:(i)从多个光谱尺度中提取精细的判别特征;(ii)建模长距离的光谱依赖关系;(iii)在分布发生变化时仍能保持可靠的概率输出。基于这些考虑,我们提出了一种结合多尺度表示学习、全局依赖建模和不确定性感知预测的校准多模型共识学习方法。
本研究的主要贡献如下:
  • •
    我们设计了多尺度MLP-Mixer骨干网络,以自适应地捕捉拉曼光谱中的窄峰和宽频带结构。
  • •
    我们引入了基于Transformer的全局建模模块和CBAM注意力机制,以提高光谱特征的判别能力和可解释性。
  • •
    我们采用了Bagging集成学习和温度缩放技术,以提高模型在分布变化情况下的预测稳健性和概率校准能力。
本文的其余部分结构如下:第2节回顾了相关的拉曼光谱特征建模和深度学习方法;第3节详细介绍了所提出的框架;第4节报告了实验评估和分析结果;第5节总结了本研究并提出了未来的研究方向。

章节节选

相关工作

拉曼光谱分类面临着荧光背景、基线漂移、峰位偏移以及细微的类别间差异等挑战。为了解决基线干扰问题,人们采用了PCA、PLS-DA和LDA等传统化学计量方法,构建低维特征投影以实现材料鉴别[1]、[2]、[3]、[4]、[5]。虽然这些方法提高了可解释性,但由于它们依赖于线性假设且对参数敏感,其应用范围较为有限。

方法

动物皮革的拉曼光谱具有高度复杂性以及细微的类别间差异。这些光谱中包含与I型胶原纤维结构和制革化学物质相关的窄峰以及成对的峰簇,这些都是实现物种区分的基础。然而,这些光谱往往受到荧光背景、低信噪比以及峰位和线形轻微变化的影响,这些都大大增加了建模的难度。
在这样的

结果与讨论

为了验证MSAMixerNet在动物皮革拉曼光谱识别方面的性能,我们设计了四方面的实验。首先,我们将其与常见的基准方法进行比较,以评估整体的分类性能。其次,我们在人为引入噪声和峰位偏移的情况下,测试了模型对实验不确定性的适应能力。第三,我们通过跨批次验证等方式,考察了模型在不同采集条件下的可靠性。

结论

本研究通过提出融合多尺度MLP-Mixer和Transformer架构的校准多模型共识学习(MSAMixerNet)框架,解决了动物皮革拉曼光谱的分类难题。在大规模数据集上的系统实验证明了该方法在分类精度、概率校准以及模型稳健性方面的优势。
实验结果表明,MSAMixerNet在

利益冲突声明

作者声明,他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家关键研发计划的支持,项目编号为2021YFF0601200、2021YFF0601204。
李耀冲|周芳|周日贵|熊湾|任鹏举|辛英健
上海海事大学信息工程学院,中国上海201306
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号