本網訊 近日，內蒙古師范大學人工智能學院公茂果教授帶領科研團隊在人工智能賦能畜牧業和能源領域取得新突破，連續在畜牧業和能源領域的國際高水平學術期刊上發表系列原創性成果。
團隊成員張玨博士在畜牧業領域的一區Top期刊《Meat Science》上發表題為《Rapid determination of lamb meat freshness using the hyperspectral imaging combined with symmetric stacking ensemble algorithm》的研究成果。該研究面向肉類高光譜成像智能分析的兩大難點開展攻關，在保持組織結構完整的前提下實現羊肉新鮮度的可靠無損檢測，并在多指標融合建模中提升可解釋性與生物學關聯性。該研究將高光譜成像與人工智能深度融合，提出了關鍵波段自適應提取與多模型特征融合機制，構建了對稱堆疊集成學習框架SSEL，發現了 620 至 630 nm 光譜峰值紅移與肌紅蛋白 OxyMb 向高鐵肌紅蛋白 MetMb 轉變密切相關，該區域具有重要生物標志潛力，可用作評估儲存期間羊肉腐敗程度的關鍵特征波段。SSEL 集成學習架構融合多類基學習器與元學習器，緩解高維高光譜數據的欠擬合與過擬合問題，在 TVB-N、TVC、pH、L* 等新鮮度指標預測中，R2 提升約 5% 至 12%，RMSEP 降低約 15% 至 28%，整體性能優于傳統單一建模方法。同時提出融合光譜動態變化與理化指標的雙通道時間序列建模策略，并引入基于多目標優化的儲存時間預測機制，實現對羊肉儲存周期的準確評估。該技術貫通數據采集、特征波段自適應提取、集成建模與分子機制層面的可解釋性分析，在肉類質量安全監測、冷鏈運輸管理、智能包裝檢測與食品溯源等場景具有顯著應用價值。
團隊成員郝帥博士在能源領域的一區Top期刊《Energy》上發表題為《Physics-informed Hierarchical Perception Modulation Network for Lithium-ion Battery Health Management》的研究成果。該研究圍繞復雜工況下電池健康狀態評估準確性與魯棒性難題，提出了物理約束層次感知調制網絡，實現了對電池退化動力學的精準建模與電池健康狀態高精度預測，在多變溫度、載荷與充放電策略條件下表現出更強的泛化能力與穩定性。該方法實現了雙分支協同框架，局部分支采用卷積神經網絡提取細粒度電化學表征，捕獲循環內快速變化的微結構信息；全局分支引入Transformer建模長程時序依賴，刻畫跨循環的容量衰退軌跡。兩分支通過“退化感知”調制機制耦合，使全局退化上下文自適應調制局部特征提取，動態平衡局部敏感性與全局一致性。同時設計物理約束損失，將離散狀態空間退化方程嵌入學習過程，以物理先驗規范參數更新，減輕僅憑數據驅動帶來的不確定性。經過系統評測，物理約束層次感知調制網絡在預測精度與跨工況泛化方面均優于現有代表性方法，有限數據場景下仍保持穩健表現。該成果為電動汽車電池管理系統提供可落地的電池健康狀態在線估計方案，可服務車輛安全預警與運維決策，并對儲能系統壽命評估、預測性維護等應用具有重要價值。
未來，團隊將繼續面向國家與自治區重大科技需求和國際學術前沿，聚焦人工智能與多學科交叉的核心科學問題，深入推進面向牧場全場景的智能感知與監測、新能源系統智能運維等關鍵技術的理論創新與應用落地，積極服務現代畜牧業升級與清潔低碳能源體系構建等重點領域，持續形成可復制可推廣的技術體系與工程化方案，支撐區域產業升級與高質量發展。
來源：人工智能學院
