福建谱衍光子科技有限公司
🪧 展位 A02 🚀 创业项目团队 🚀 创业项目展示对接区

福建谱衍光子科技有限公司

福建谱衍光子科技有限公司是一家专注“视觉‑光谱多模态融合智能检测”的科技企业,聚焦破解传统工业检测“看得见形态、识不清材料”的行业痛点,面向新能源材料、精密制造领域提供智能化检测软件与技术服务。
公司融合机器视觉、光谱分析与可信AI算法,构建“视觉快速感知‑缺陷筛选‑光谱精准分析‑多模态判别‑质量反馈”完整技术体系。通过风险驱动的ROI优先级评价实现选择性光谱采集,兼顾检测效率与精度;自研光谱专业处理算法,建立视觉、光谱双维度置信度评价与自适应融合机制,解决外观相似但材质不同的疑难缺陷判别难题。

🖼 项目图集
项目信息
项目领域
人工智能
产品所处阶段
项目孵化阶段
拟融资合作方式
其他
拟合作领域
市场
拟融资金额
1000W
已获融资情况
无
单位信息
公司所属区域
集美区
公司/团队成立时间
2026-01-06
公司法人/团队核心负责人
蔡文静
入选重大人才计划类型
其他
是否高新技术企业
否
核心团队成员简介
蔡文静 本科 分析检验技术 负责公司整体战略规划与市场拓展,具备敏锐的行业洞察力,统筹公司核心业务方向与资源整合。
蔡勇智 硕士 光电信息科学与工程 技术顾问兼市场指导
李建民 本科 光电信息科学与工程 硬件工程师,设备调试与应用
唐光铁 本科 计算机科学与技术 资深软件工程师,近三十年软件工程技术与经验
详细信息
核心优势
一、核心技术创新:构建视觉—光谱多模态融合的智能检测新范式
本项目以人工智能、机器视觉、光谱分析及多模态信息融合技术为核心,针对传统工业检测中“看得见形态、识不清材料”“检测信息单一、复杂缺陷难以判别”“检测设备分散、数据无法有效协同”等行业痛点,提出视觉—光谱多模态协同的智能检测技术方案。
传统机器视觉主要依靠颜色、纹理、边缘及几何特征识别缺陷,对材料内部成分变化、微弱污染及外观相似但性质不同的异常存在识别局限;传统光谱检测能够反映材料的光谱响应及相关物质特征,但在大面积工业检测中可能面临采集效率、区域定位及设备集成方面的限制。
本项目通过深度学习目标检测、实例分割、光谱异常分析及自适应融合算法,将视觉的空间定位优势与光谱的材料表征优势相结合,构建“视觉快速感知—缺陷区域筛选—光谱精准分析—多模态可信判别—检测反馈”的协同技术体系。
项目的核心创新并非简单叠加视觉相机和光谱仪器,而是通过人工智能算法建立不同检测模态之间的协同关系,使视觉信息参与光谱采集决策,使光谱信息参与视觉检测结果验证,并利用多模态融合机制提升复杂缺陷的综合判别能力。
该技术路线有望推动工业检测从单一图像识别向空间特征与材料信息联合分析发展,为新能源材料、精密制造及科学仪器智能化提供新的技术路径。
二、算法创新优势:风险驱动的 ROI 优先级评价与选择性光谱采集
传统视觉与光谱联合检测通常需要面对检测区域广、数据采集量大以及高精度光谱检测效率受限等问题。
本项目围绕上述难点,设计了基于人工智能的感兴趣区域(ROI)优先级评价机制。
首先,采用 YOLO 目标检测算法快速定位疑似缺陷区域,并利用 Mask R-CNN 实例分割算法提取更精细的缺陷边界与区域信息。
其次,综合视觉检测可信度、缺陷面积、纹理复杂度和缺陷类别等因素,对候选检测区域进行风险评价和优先级排序。
在此基础上,按照区域优先级安排后续光谱采集与分析,使光谱检测资源优先服务于高风险、低可信度或需要材料信息进一步确认的区域。
与传统全区域光谱扫描方式相比,该方法在技术设计上具有以下优势:
1.检测资源按需分配: 避免对所有区域采用完全相同的检测策略,将有限的采谱时间优先用于重点区域。
2.视觉与光谱协同工作: 由视觉检测结果引导光谱采集,减少两种检测模态相互独立运行所产生的信息割裂。
3.兼顾精度与效率: 通过选择性采谱探索降低无效采集量,同时保留对疑难缺陷进行精细分析的能力。
4.适应不同检测任务: ROI 优先级评价机制可根据不同材料、缺陷类型及设备条件调整相关参数。
这一机制使人工智能从传统的“检测结果输出工具”进一步参与检测流程的资源分配与策略选择。
项目后续将通过全区域采谱、随机采谱及视觉引导选择性采谱等方案的对照实验,验证其在采谱次数、检测耗时及缺陷识别性能方面的实际效果。
三、光谱算法壁垒:建立面向材料异常的光谱特征分析能力
与主要依赖通用图像模型的 AI 检测项目不同,本项目将专业光谱数据分析能力作为核心技术壁垒之一。
光谱数据具有高维度、连续波段、背景干扰复杂以及不同材料响应差异明显等特点,无法直接套用普通图像分类方法完成可靠分析。
本项目结合已有光谱仪器和光谱软件开发基础,围绕光谱预处理、异常分析、特征提取及波长贡献度评价,设计专业化算法处理流程。
1. 光谱预处理与数据标准化
针对光谱采集过程中可能出现的背景漂移、噪声干扰、强度差异等问题,建立适合具体检测任务的预处理流程。
根据实际样本条件,可采用平滑滤波、基线校正、标准正态变量变换、归一化及其他适当方法,改善数据质量并提高不同批次样本之间的可比性。
2. 光谱异常指数分析
以正常材料光谱为参考,构建目标检测区域与正常样本之间的光谱差异评价机制。
通过光谱异常指数,量化候选区域在特征波段上的偏离程度,为缺陷判断提供区别于表面视觉特征的补充证据。
3. 关键波长贡献度评价
针对高维光谱数据可能存在的信息冗余问题,研究不同波长对异常识别的贡献,筛选具有较高区分价值的特征波段。
该方法有助于提升光谱特征利用效率,并为后续优化检测设备配置、分析模型和采谱策略提供依据。
4. 光谱与视觉特征联合建模
将光谱异常特征与视觉形态、纹理及空间位置信息进行关联分析,探索建立面向复杂缺陷的联合特征表达。
例如,在锂电极片检测中,对于外观相似但材料响应不同的疑似异常区域,光谱信息可提供额外的判别依据;对于光谱响应接近但形态特征不同的区域,视觉信息则可发挥辅助区分作用。
这种跨模态互补机制,是本项目区别于单一图像识别软件和常规光谱数据处理软件的重要技术特色。
四、可信人工智能优势:建立多模态置信度评价与自适应融合机制
工业质量检测不仅要求模型能够识别缺陷,还要求检测结果具有稳定性、可解释性和可复核性。
单一深度学习模型输出的置信度,并不必然等同于真实检测准确率。尤其在复杂工业场景中,环境变化、样本差异及训练数据分布变化均可能影响模型判断。
针对这一问题,本项目设计了视觉可信度、光谱可信度和跨模态一致性相结合的联合评价机制。
1. 视觉检测可信度评价
根据视觉模型的检测输出、候选区域特征及相关评价指标,分析视觉识别结果的可靠程度。
2. 光谱检测可信度评价
结合光谱异常程度、信号质量及光谱模型输出,对材料信息的有效性和可靠性进行评价。
3. 跨模态一致性分析
比较视觉与光谱两类信息对同一检测区域的判断是否一致,识别可能存在的模态冲突和不确定性。
4. 自适应融合判别
根据不同模态的可信度和一致性,动态调整视觉信息与光谱信息在最终判别中的作用。
当视觉证据与光谱证据相互支持时,系统可形成综合检测结果;当两者出现明显冲突或可信度不足时,可触发复检建议或人工确认流程。
与固定权重的简单数据拼接方式相比,自适应融合机制能够更有针对性地处理不同模态的信息质量差异。
项目将进一步研究置信度校准、模态冲突识别及异常样本复核策略,通过实际测试验证该机制对误判控制和检测可靠性的作用。
本项目所强调的“可信 AI”,并非宣称系统能够完全消除错误,而是通过多源证据、可信度评价和复核机制,使检测结果具备更清晰的判断依据和风险提示能力。
五、技术体系优势:形成从缺陷感知到质量反馈的完整检测链条
本项目的另一项重要优势,在于其技术方案覆盖检测流程中的多个关键环节,而非仅提供单一算法模型。
围绕工业材料检测需求,项目设计了以下协同流程:
第一环节:视觉快速检测。 利用深度学习算法对材料表面进行初步筛查,获得缺陷类别、位置及区域信息。
第二环节:检测区域智能选择。 通过 ROI 优先级评价,确定需要重点开展光谱分析的区域。
第三环节:光谱异常分析。 获取重点区域的光谱数据,分析其与正常材料参考光谱之间的差异。
第四环节:多模态联合判别。 综合视觉特征、光谱特征及不同模态的可信度信息,形成缺陷分类和异常评价结果。
第五环节:质量反馈与结果追溯。 通过检测记录、异常提示和报告输出,为后续人工复核、质量管理及工艺分析提供依据。
在具备相应设备接口和生产条件的情况下,项目未来可进一步探索与工业控制系统、生产设备及质量管理系统对接。
这一技术体系有利于将算法研究成果转化为具有明确输入、处理流程和输出结果的工程化软件产品,降低单项算法难以独立交付的商业化风险。
六、专业技术壁垒:光谱知识、人工智能算法与软件工程的复合能力
本项目的技术竞争力来源于光谱科学仪器、人工智能算法和工业软件工程三类能力的交叉融合。
(一)光谱科学仪器与专业数据处理壁垒
光谱数据分析不仅需要算法能力,还涉及仪器工作原理、数据采集条件、背景干扰、样本特性及分析结果解释等专业知识。
项目依托现有光谱仪器、拉曼光谱软件开发及检测服务业务基础,能够从实际仪器使用和数据分析需求出发开展产品研发。
(二)视觉—光谱协同算法壁垒
不同于单一视觉检测项目,本项目需要解决图像空间位置与光谱采集区域的对应关系、不同模态的数据表达差异、检测可信度评价以及融合策略设计等技术问题。
上述问题涉及跨学科知识和实际工程经验,具有一定研发复杂度。
(三)行业数据与实验验证壁垒
多模态检测模型的有效性依赖真实样本、缺陷标注、光谱采集条件及参考检测结果。
项目计划围绕首个应用场景建立规范化数据集、测试流程及性能评价体系,并在合法合规和客户授权的前提下积累行业数据。
随着真实应用案例、检测数据和算法验证结果不断增加,项目有望形成与特定行业场景相关的持续改进能力。
(四)软件系统集成与工程交付壁垒
从算法原型到工业现场可用的软件产品,还需要解决设备兼容、数据通信、实时处理、异常处理、稳定运行和维护升级等问题。
项目将以模块化软件架构为基础,将视觉识别、光谱分析、多模态融合和结果管理等功能进行独立封装,逐步形成可复用的软件组件。
这种复合型技术能力,有助于避免项目仅停留在调用通用 AI 接口或提供单次算法演示的层面。
七、市场差异化优势:区别于传统机器视觉、光谱仪器及通用 AI 软件
本项目不以替代所有传统检测技术为目标,而是针对单一检测手段难以充分解决的复杂材料检测任务,提供多模态协同的增量价值。
(一)区别于传统机器视觉检测软件
传统机器视觉方案主要依赖图像特征,通常具有检测速度快、设备部署相对成熟等优势,但对于需要材料信息辅助判断的异常,单一视觉数据可能存在局限。
本项目引入光谱信息作为补充证据,重点解决视觉形态特征不足以支持可靠判别的问题。
其差异化价值在于:不仅分析缺陷的外观表现,还尝试利用材料光谱响应辅助识别异常性质。
(二)区别于传统光谱分析软件
传统光谱分析软件通常围绕光谱采集、预处理、建模和结果显示展开。
本项目在光谱分析基础上引入视觉空间定位、ROI 优先级评价和多模态可信度分析,使光谱检测能够与视觉识别流程协同运行。
其差异化价值在于:不仅分析已经采集的光谱数据,还通过视觉信息辅助决定哪些区域更值得采集和分析。
(三)区别于通用人工智能应用
通用 AI 软件通常强调文本生成、图像理解、知识问答或通用数据分析能力。
本项目则面向具有明确物理检测对象、专业仪器接口和可量化检测指标的垂直产业场景。
项目需要将 AI 算法与真实传感器数据、检测流程和专业分析方法结合,形成能够被实验验证和工程交付的具体产品。
其差异化价值在于:人工智能直接服务于材料检测任务,而不是仅提供通用的信息处理功能。
(四)区别于重资产智能检测设备制造模式
完整工业检测设备的研发、制造和交付通常涉及机械结构、传感器配置、控制系统及现场安装等多方面投入。
本项目以 AI 软件、算法模块和仪器适配服务为主要产品,优先利用已有设备及合作资源开展技术验证。
在适当的应用场景下,可通过软件升级、模块部署和设备适配,为已有检测设备增加智能分析能力。
其差异化价值在于:以软件和算法为核心,降低初期硬件投入,提高产品模块复用和跨客户交付的灵活性。
八、商业模式优势:专业技术驱动的轻资产 OPC 创业模式
本项目充分结合人工智能时代小团队、轻资产和数字化运营的发展趋势,探索以创始人为核心、以软件工具和标准化交付为支撑的 OPC 创业模式。
项目不以大规模硬件生产和人员扩张作为初期发展前提,而是将主要资源集中于核心算法、软件开发、客户需求分析及技术交付。
(一)以现有业务基础降低创业试错成本
依托既有光谱仪器、光谱采集软件开发和检测服务相关业务经验,项目能够从真实客户需求出发选择研发方向,减少脱离市场的技术开发投入。
(二)以模块化软件提高复用能力
将设备接入、数据预处理、AI 识别、光谱分析、融合判别及报告输出等功能形成相对独立的软件模块。
在不同客户项目中,优先复用成熟组件,将新增开发工作集中于设备适配和场景差异化需求,逐步降低重复开发成本。
(三)以 AI 辅助工具提升运营效率
在符合数据安全和知识产权要求的前提下,利用 AI 编程辅助、自动化测试、文档生成及标准化数据处理等工具,提高研发和交付效率。
创始人重点负责产品方向、核心技术方案、质量控制和经营决策,其他辅助性工作通过软件自动化、专业合作和项目制服务完成。
(四)建立多层次收入结构
项目计划形成以软件产品为核心的收入模式,包括:
AI 检测软件授权及版本升级服务。
视觉与光谱算法模块定制开发。
光谱仪器和工业相机的软件接口适配。
检测数据分析及专业技术服务。
软件部署、维护和持续技术支持。
通过标准化软件与专业服务相结合,逐步降低对一次性项目开发收入的依赖,提高经营的持续性。
九、成长性优势:从新能源材料检测切入,逐步形成多场景 AI 检测平台
本项目采取“单一场景突破、核心能力沉淀、相近场景复制”的发展策略。
第一阶段,以锂电极片检测为重点,验证视觉—光谱多模态融合的技术可行性,形成可运行的软件原型及可量化的实验结果。
第二阶段,在完成客户试用和产品优化后,逐步形成标准化软件模块,建立设备适配、算法部署和技术服务流程。
第三阶段,根据市场需求和技术验证结果,将成熟的光谱分析、多模态融合和可信度评价能力拓展至其他适合的工业材料及科研检测场景。
在平台建设方面,项目计划持续积累设备接口、数据处理算法、缺陷识别模型和行业应用经验,逐步形成具有专业特色的智能检测软件产品体系。
项目的成长性不依赖于同时进入多个行业,而在于通过核心技术复用,实现从单一应用项目向标准化软件产品、从定制开发向持续技术服务的转变。
十、综合竞争优势
综上,本项目形成了以专业光谱技术为基础、以视觉—光谱多模态融合为核心、以可信 AI 算法为特色、以轻资产软件交付为商业载体的综合竞争优势。
其核心价值体现在三个层面:
技术层面: 通过视觉定位、风险驱动的选择性采谱、光谱异常分析及多模态自适应融合,探索突破单一检测模态的信息局限。
产品层面: 将专业算法、仪器接口与检测业务流程整合为模块化软件,推动相关技术从研究方案向可验证、可部署和可维护的产品发展。
商业层面: 依托既有光谱仪器及技术服务基础,以轻资产方式切入具有明确需求的垂直市场,通过软件授权、算法服务及持续维护形成可扩展的业务模式。
本项目的长期竞争力,不在于简单采用某一种先进 AI 模型,而在于将专业检测知识、多模态算法、真实工业数据和工程交付能力持续结合,形成难以通过单一通用模型直接替代的专业化技术与服务体系。
商业模式
硬件销售 | 软件定制 | 试剂配套 | 技术服务
构建“产品+服务”一体化盈利闭环
线上推广,线下拜访,AI投流,经销拓展,生生不息!
对接案例
日期 客户名称 产品名称 价格
2026.01.27 厦门东旭创恩谱-中国工程物理研究院机械制造工艺研究所 软件开发 66800
2026.03.03 国家毒品实验室浙江分中心(浙江省毒品技术中心) 增强试剂 60000
2026.03.09 上海国际旅行卫生保健中心(上海海关口岸门诊部) 增强试剂 6300
2026.03.31 中科院城市环境研究 表面增强拉曼检测费 35600
2026.04.01 北京工业大学 拉曼测试服务 3300
2026.04.08 中国药科大学 增强试剂 3150
2026.04.09 中国科学技术大学 增强试剂 1800
2026.04.24 西北农林科技大学 增强试剂 1800
2026.04.30 杭州鸿炜科学仪器有限公司 增强试剂 10000
2026.05.11 南开大学 增强试剂 2100
2026.05.12 斯梅卡尔-化学与精细化工广东省实验室 浸入式探头 43000
2026.05.18 国家毒品实验室浙江分中心 增强试剂 70000
2026.05.18 菏泽鹏欣科技有限公司 增强试剂 1530
2026.05.28 广东省农业科学院设施农业研究所 增强试剂 1800
2026.05.28 杭州鸿炜科学仪器有限公司 增强试剂 21750
2026.06.12 北京中科凯诺科技有限公司 增强试剂 6144
🤝 资源对接意向

提交后由主办方与项目方跟进对接 · 无需注册登录

🪧 展位号 A02
18
浏览
0
收藏
0
对接
📱 项目二维码(扫码看详情 / 对接)
展位 / 海报张贴建议:
打印后贴在展位上,观众扫码即可查看本项目并填写对接意向。
🤝 资源对接意向
联系方式
登录投资人 / 参展商账号可查看联系方式;未登录也可以直接发起对接,由主办方转达。