神经符号推理模块

新料型零样本识别

将属性识别与可微推理结合，通过更新推理逻辑即可识别新型聚合物颗粒，显著降低数据依赖和标注成本。

Yikang, Li · 王志刚 · 陈铭 · Junyuan, Cao · Nan, Cai · Yanlong, Peng · Zhang, Yisheng · 张洪申

Process Safety and Environmental Protection: Transactions of the Institution of Chemical Engineers, Part B 2025

参数信息

未训练颗粒纯度误差

-0.78 %

未训练颗粒回收率误差

-4.45 %

技术优势

误差大幅小于现有方案

对未训练颗粒，纯度误差最大仅−0.78%，回收率误差−4.45%，而YOLO v8分别为−68.11%和−96.54%。

属性驱动降低数据需求

推理模块聚焦颗粒属性，减少对大规模标注数据的依赖，简化标注流程。

应用场景

• 具身智能：让分选设备自主判断新颗粒类型，无需频繁重训。
• 聚合物回收：实时评估分离纯度和回收率，优化回收工艺参数。
• 自动化检测：替代人工分析，自动完成颗粒识别和指标计算。
• 机器视觉：硬件与算法协同，提升图像分析的精度与速度。