欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025110003485
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于,包括如下步骤:

步骤S1:通过光谱传感器、显微成像设备和化学传感器同步采集试剂盒原材料的光谱数据、显微图像数据和化学检测数据,光谱数据、显微图像数据和化学检测数据构成多模态数据;

步骤S2:将多模态数据输入自适应时空特征校准网络,通过多尺度时空特征提取模块分别解析各模态数据的局部细节特征和全局时序特征,并基于双向跨模态注意力门控机制动态调整不同模态的时空偏移量,实现频域与空域的自适应匹配;

步骤S3:将校准后的多模态数据输入分层式信息熵筛选机制,依次通过基于变分自编码器的信息熵压缩层和梯度敏感特征贡献度评估层,消除冗余特征并保留互补性特征;

步骤S4:对融合后的特征执行交叉模态一致性验证和对抗性扰动鲁棒性测试,仅当重构误差小于预设阈值且噪声抑制率高于预设标准时输出最终质量检测结果;

所述自适应时空特征校准网络包括:

多尺度时空特征提取模块,采用非对称卷积核分别提取高频光谱数据的局部细节特征和低频显微图像数据的全局时序特征;

双向跨模态注意力门控机制,通过自学习生成的频域对齐权重矩阵和空域偏移补偿向量,对高频光谱数据进行时序重采样并与低频显微图像数据的时序基准对齐;

所述分层式信息熵筛选机制包括:

信息熵压缩层,通过变分自编码器建模融合特征的隐空间分布,动态计算各特征通道的信息熵值,并对熵值低于滑动窗口统计阈值的特征进行稀疏化处理;

梯度敏感特征贡献度评估层,在分类模型训练过程中实时监测各模态特征对输出结果的梯度贡献强度,构建特征重要性图谱并屏蔽贡献度低于动态阈值的特征。

2.根据权利要求1所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:所述步骤S1中光谱传感器、显微成像设备和化学传感器的采样频率根据各模态数据的物理特性动态调整,其中光谱传感器的采样频率高于显微成像设备,化学传感器的采样频率与显微成像设备同步。

3.根据权利要求1所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:所述交叉模态一致性验证包括:将融合特征反向解码至原始光谱数据和显微图像数据空间,计算重构数据与原始数据的均方误差;所述对抗性扰动鲁棒性测试包括向输入数据注入高斯噪声后验证融合特征的噪声抑制率。

4.根据权利要求3所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:所述滑动窗口统计阈值的设定方式为:基于当前批次数据特征通道的信息熵均值和方差,结合预设的置信区间生成动态阈值,并根据验证结果实时调整阈值范围。

5.根据权利要求4所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:所述时序重采样通过非对称卷积-时序记忆单元实现,具体包括:将高频光谱数据的时序序列分割为与低频显微图像时序基准匹配的时间片段,并通过门控单元对分割片段进行加权融合。

6.根据权利要求1所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:基于多模态数据融合的试剂盒原材料质量检测方法还包括闭环反馈优化模块,所述闭环反馈优化模块根据步骤S4的验证结果反向调整自适应时空特征校准网络中的门控权重和非对称卷积核参数。

7.根据权利要求4所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:所述重构误差的预设阈值基于原始数据方差动态设定,所述噪声抑制率的预设标准根据注入噪声强度及检测场景需求自适应调整。

8.根据权利要求1所述的一种基于多模态数据融合的试剂盒原材料质量检测方法,其特征在于:所述最终质量检测结果包括蛋白质活性等级分类和微粒均匀度缺陷诊断,其中蛋白质活性等级分类通过Softmax分类器实现,微粒均匀度缺陷诊断通过支持向量机模型实现。