融合高光谱成像与深度神经网络揭示P3HT:PCBM共混物形貌特征及其对器件性能的调控机制

本综述创新性地集成高光谱成像（HSI）与深度神经网络技术，突破传统有机光伏材料表征局限，实现P3HT:PCBM共混体系聚集态形貌的自动化精准识别（精度达99.39%），并首次通过多源异构数据集验证聚集态表面密度（AD）与器件性能参数（Jsc、FF、PCE负相关；Voc正相关）的强统计关联性，为有机半导体微结构设计与性能优化提供新范式。

　　

Highlight

本研究通过高光谱成像技术与深度神经网络融合策略，成功实现P3HT:PCBM薄膜表面聚集态形貌特征的自动化识别与量化分析。创新性设计的纹理曼巴注意力模块（Texture-Mamba-Attention Module, T-M-AM）显著提升UNet与YOLO V10模型对微观结构的特征提取能力，在分布内测试中达到99.39%的识别精度与94.3%平均精度均值。进一步基于实验采集与文献挖掘构建的外部数据集验证表明：聚集态表面密度（AD）与短路电流（J_sc）、填充因子（FF）、光电转换效率（PCE）呈强负相关性（相关系数分别为-0.99, -0.92, -0.99），与开路电压（V_oc）呈强正相关性（0.97），且其关联性显著高于数量密度（ND），揭示表面密度对器件性能的决定性作用。

Materials and methods

基于高光谱与神经网络技术的聚集形貌-性能关联分析涵盖三个阶段：数据集制备、神经网络训练及测试验证。如Fig. 1所示，首先对P3HT:PCBM样本进行热处理诱发相分离，通过高光谱成像系统采集聚集态光谱数据并构建数据集；随后采用改进的UNet模型进行图像分割，YOLO V10进行目标检测，以提取表面密度（AD）、数量密度（ND）等关键形态参数；最终通过统计学方法系统评估形貌特征与器件电学参数的关联性。

Network training and evaluation

实验采用Intel i7-12700 CPU与RTX 3050 GPU硬件平台，Python 3.9与PyTorch 1.13软件环境。训练集、验证集与测试集分别包含240、30、30组高光谱样本。图像分割与目标检测任务分别经过100和300轮迭代后保留最优权重。

Aggregate image segmentation experiments and results

为验证T-M-AM优化后UNet的分割精度，本研究对比了其与原始UNet、Attention-UNet及TransUNet的性能。改进后模型在测试集上达到99.39%像素准确率与94.3%平均交并比，显著优于基线模型，证明其对复杂微观结构的高精度分割能力。

Conclusion

本研究提出了一种基于高光谱成像与改进神经网络的P3HT:PCBM薄膜表面聚集特征识别方法，通过纹理提取机制与T-M-AM模块优化模型性能，实现聚集态数量密度（ND）与表面密度（AD）的自动化提取。分布内测试与外部验证均表明，聚集形态特征与器件性能存在显著统计关联，其中表面密度（AD）对J_sc、FF、PCE的负向调控作用及对V_oc的正向促进作用尤为突出，为有机光伏器件的微结构设计提供重要理论依据。