高光譜技術是一種先進的技術，它可以捕獲樣品在連續波長范圍內的反射率或透射率信息。它通常應用于高光譜成像系統[1]、[16]，最近的發展將多模態信號、深度學習和基于注意力的模型結合起來，顯著提高了高光譜數據的分析和解釋能力。例如，三維空間-光譜注意力Transformer（TDSAT）可以有效去除噪聲，同時保留關鍵的光譜和空間信息[14]；而結合模型驅動和數據驅動策略的自監督去噪框架，以及光譜低秩先驗和深度空間先驗（SLRP-DSP），進一步增強了高光譜圖像處理的可靠性[15]。高光譜技術還可以與光檢測和測距（LiDAR）結合使用，以實現物體識別和距離測量[2]。近年來，高光譜技術已成功應用于各種高級應用中，如確定單個細胞的生理狀態[3]、區分不同的血液樣本[4]以及檢測壞死與健康的腸道組織[5]。為了進一步提高性能，研究人員越來越多地將高光譜數據與互補的信號源和先進算法相結合。例如，激光誘導擊穿光譜與激光誘導等離子體聲學信號（LIBS-LIPA）的結合，可以實現精確的金屬識別[17]。多模態融合策略，如時間-頻率雙域增強聲學處理與LIBS光譜的融合（TFDEAP）[18]、幀分割LIPA（FLIPA）融合[19]以及基于動態重疊窗口算法（DOWA）的LIPA（DLIPA）[20]，展示了多模態方法的潛力。

在實際應用中，如廢物回收和材料分類，現實世界中的物體通常由多種材料組成。例如，玻璃表面可能涂有一層薄膜，或者塑料瓶可能由幾種不同的聚合物構成。多材料物體的透射曲線代表了其組成材料的綜合光譜特性。這些重疊或相互作用的光譜特征顯著增加了光譜分析的復雜性，并對準確的材料識別提出了重大挑戰。為了解決這個問題并實現多種材料的有效同時檢測，我們提出了一種多材料分類系統，該系統使用通過高非線性色散位移光纖（HNL-DSF）產生的超連續譜（SC）寬帶光源[6]、[7]、[8]對多材料物體進行分類。寬帶光譜能夠包含更廣泛的材料特性，從而增強了提取豐富多樣特征的能力。此外，我們還應用了一維卷積神經網絡（1D-CNN）機器學習方法對多材料物體進行分類[9]。

本文的其余部分組織如下：第2節介紹了我們提出的系統的設置和一些關鍵組件的特點，第3節提供了實驗結果及討論，第4節給出了所提出系統的簡要總結。

我們的實驗設置如圖1所示。光源由一個任意波形發生器（AWG）組成，該發生器生成矩形波觸發信號，用于激發光源激光器（OSL）產生飛秒泵浦脈沖。隨后，泵浦脈沖通過商用鉺摻雜光纖放大器（EDFA）放大光功率，然后注入HNL-DSF。進入HNL-DSF后，泵浦脈沖通過

圖2(a)展示了系統接收到的光源的光功率譜，以及四種不同材料樣品的透射功率譜。在1200–1400 nm的波長范圍內，PET和PVC的透射率明顯低于PS和PMMA，而在其他區域的光譜差異則相對難以通過視覺區分。為了消除系統誤差并更清晰地突出每個樣品的光譜特性，功率譜被

我們提出了一種多材料分類系統，該系統有效地減少了系統誤差，并產生了低噪聲、寬帶的光譜測量結果。通過應用三階Savitzky-Golay濾波器，系統抑制了由OSA引入的頻域波動。使用1D-CNN作為分類模型，系統實現了平均精度0.968 ± 0.013、平均召回率0.969 ± 0.010和平均F1分數0.969 ± 0.011，顯著優于PCA-SVM

劉龍彪：可視化、軟件編寫、初稿撰寫、審閱與編輯、資源準備、監督、驗證、研究調查、方法論設計、項目管理、概念構思、資金獲取、數據管理、正式分析。葉子明：正式分析、概念構思。葉峰：正式分析、概念構思。劉立航：項目管理、研究調查、資金獲取、正式分析、數據管理、概念構思。林兆坦：研究調查，

作者聲明他們沒有已知的可能會影響本文所述工作的競爭性財務利益或個人關系。

本工作得到了GBA Ascend應用創新研究院、廣東省人工智能與數字經濟實驗室（SZ）的支持，資助編號為GML-ST-2026-03。