大家好，今天为大家分享一篇2026年5月21发表在国际著名期刊 Laser & Photonics Reviews 的文献，题目为"Dual Encryption Technology via Laser-Induced Perovskite Multicolor and Textures Patterning With Artificial Intelligence Recognition"。本文的第一作者是Fengyi Zhang，通讯作者是Jinxia Zhang、Jun Chen和Haibo Zeng。
摘要
铅卤钙钛矿薄膜因其优异的发光特性，在信息安全领域展现出应用潜力。然而，随着人工智能（AI）技术的发展，传统的基于发光显示的加密方式正面临被破解的风险。为应对这一挑战，本文的研究人员开发了一种基于激光诱导钙钛矿多色和纹理图案化的新型双重加密方法，并结合了人工智能识别技术。通过精确调控阴离子交换溶液的组分和激光加工路径，研究人员实现了对钙钛矿复合薄膜（PCF）发射波长和表面微观纹理的精准控制。
研究团队在钙钛矿复合薄膜上制备了一个由不同发射波长和不同微观纹理的微方块构成的二维码（QR code）。该二维码的解密过程需要两把“钥匙”。第一把钥匙是光学滤光片，用于选择性地分离出特定发射波长的方块。第二把钥匙是图案化方块的高分辨率表面纹理。通过使用YOLOv5模型进行模式识别，进一步筛选出具有指定纹理的方块，从而实现二维码内容的最终解密。实验结果表明，YOLOv5模型在识别训练样本时实现了89.5%的平均相似度，精确度高达96.44%，证明了该模型具有高效的识别性能。这一策略成功实现了信息的双重加密，并为利用人工智能识别技术保护信息安全提供了一种新的解决方案。
研究亮点与图文解析
1. 双重加密系统设计
研究的核心思想是构建一个“物理属性-图案加密-识别解密”的闭环系统。首先，研究人员通过刮涂法制备了具有均匀明亮绿色荧光的钙钛矿复合薄膜（PCF）。随后，通过激光诱导的液相阴离子交换技术，在薄膜上进行图案化加密。最后，解密过程需要结合光学滤光片和人工智能模式识别算法，分两步进行。
图1. (a) 钙钛矿复合薄膜（PCF）的制备流程示意图。(b) 在 PCF上通过532 nm激光诱导液相阴离子交换进行图案加密的示意图。(c) 通过光学滤光片和机器模式识别进行图案解密的示意图。
如图1所示，整个流程分为三步。首先（图1a），制备出原始的 PCF。然后（图1b），将薄膜浸入阴离子交换溶液中，利用532 nm激光进行照射。激光不仅能诱导阴离子交换，改变局部区域的发光颜色，还能通过特定的扫描路径（如水平、垂直、45°倾斜）在微观尺度上“雕刻”出不同的表面纹理。最后（图1c），解密时先使用特定波段的滤光片过滤掉无关颜色的干扰信息，再利用AI模型识别并筛选出具有正确纹理的图案部分，最终恢复加密信息。这种双重密钥设计极大地提升了加密的安全性。
2. 钙钛矿薄膜颜色与纹理的精准调控
为了实现可控的加密图案，研究人员系统地探究了阴离子交换溶液组分比例和激光能量对薄膜发光特性的影响。
图2. (a) 在不同比例的阴离子交换溶液中，不同激光能量下 PCF的荧光显微图像。(b,c) 分别展示了改变溶液比例和激光能量对PCF光致发光（PL）的调控效果。(d) 在不同比例的阴离子交换溶液中，不同激光能量下 PCF的荧光显微图像。(e,f) 分别展示了改变溶液比例和激光能量对PCF光致发光（PL）的调控效果。(g) 在不同比例的溶液中，未被激光直接照射区域的荧光显微图像。(h) 不同激光能量条件下PCF的荧光显微横截面图像。(i) PCF中阴离子扩散过程的示意图。
如图2所示，通过调整阴离子交换溶液中卤代烷（或）与甲苯（）的比例，以及激光能量的大小，可以精确地控制阴离子交换的程度。例如，使用溶液时，可以使薄膜的发光从绿色（515 nm）逐渐红移至红色（642 nm）（图2c）。而使用溶液时，则可以使发光蓝移至蓝色（471 nm）（图2f）。这使得在同一块薄膜上实现全可见光谱范围内的颜色图案化成为可能。同时，图2h的横截面图像揭示了阴离子的扩散过程，证实了激光能够诱导整个薄膜厚度范围内的稳定交换。
3. 基于双重密钥的二维码加解密演示
研究人员将该技术用于制备一个复杂的加密二维码。该二维码混合了包含正确信息的方块和包含干扰信息的方块。这些方块不仅颜色不同，其内部的微观纹理（水平、垂直或倾斜）也不同。
图3. (a,b) 分别为一个标准二维码和一个嵌入了混淆信息的二维码，其中每个放大的方块都由不同的微观纹理组成。(c) 在紫外光下嵌入混淆信息的二维码实物图，放大的插图显示了单个方块的荧光显微视图。(d) 在紫外光下使用普通智能手机直接扫描该二维码无法获取正确信息。(e) 正确的解密需要两把密钥，单独使用任何一把密钥都不足以成功解密。(f) 双密钥解密的详细流程。
如图3所示，直接用手机扫描这个在紫外光下发光的二维码（图3d），无法读取任何信息。解密过程必须严格遵循两步：第一步，使用一个470 nm的窄带滤光片，仅保留蓝色的方块，过滤掉其他颜色的干扰信息。即使经过这一步，二维码仍然无法被识别，这证明了第二把密钥——微观纹理的必要性。第二步，利用训练好的AI模型对滤光后的图像进行分析，识别出所有方块的纹理方向，并只保留包含正确信息纹理（此例中为水平和垂直纹理）的方块，丢弃包含干扰信息纹理（45°倾斜纹理）的方块。通过这两步筛选，机器最终重构出正确的二维码图案，手机扫描后成功读取出隐藏信息“materials”（图3f）。
4. 人工智能（YOLOv5模型）的识别性能
为了实现对微观纹理的精确识别，研究团队采用了YOLOv5模型。他们首先采集了大量加密二维码的样本图像，通过滑动窗口裁剪和人工标注，构建了一个用于训练的纹理数据集。
图4. (a) 基于AI的“房子”图案模式识别详细过程，左上角为图案化PCF的实物图。(b) 使用YOLOv5模型进行机器模式识别的流程图。(c) 损失函数和模型度量曲线。(d) “房子”图案识别测试结果图。(e) 图d中每个方块的相似度条形图，平均相似度为0.895。X和Y方向对应图d中的方位。(f) 待解密二维码的模式识别测试结果图。
(注：图4a中的机器人图片经Unitree Robotics授权使用)
图4b展示了YOLOv5模型的工作流程。经过100个周期的训练，模型的损失函数稳步下降，各项性能指标持续提升（图4c），表明模型训练有效。为了验证模型的识别能力，研究人员用其识别一个由不同纹理方块组成的“房子”图案（图4a）。AI模型能够准确识别出水平（hor）、垂直（ver）和倾斜（inc）三种纹理，并将它们用不同颜色的标签区分开（图4d）。所有方块的平均识别相似度高达0.895（图4e），证明了模型能够可靠地区分不同的纹理方向。最终，将该模型应用于加密二维码的识别（图4f），模型成功地为每个方块标注了纹理方向和置信度，为后续的信息重构提供了准确依据。在最佳状态下，模型的精确度（Precision）达到96.44%，召回率（Recall）为99.10%。
总结与展望
本文的研究工作提出了一个结合了材料科学、激光精密加工和人工智能的前沿交叉课题，其主要创新点和未来方向可总结如下：
创新点：
- 1. 新型双重加密策略： 首次将宏观光学特性（颜色）和微观物理特征（纹理）相结合，构建了双密钥加密系统，相比单一维度的加密方式，其安全等级显著提高。
- 2. 材料的精准图案化： 提出了一种激光诱导阴离子交换方法，实现了在钙钛矿薄膜上对发光颜色和微观纹理的同时、高精度、无掩模的图案化制备。
- 3. 人工智能辅助解密： 创新性地将AI模式识别算法（YOLOv5）作为解密的第二把“钥匙”，实现了对人眼难以分辨的微观纹理的自动化、高精度识别，克服了传统信息防伪依赖人眼观察的局限性。
- 4. 完整的技术闭环验证： 成功构建并演示了一个从“物理编码”到“AI解密”的完整技术链条，证实了该加密策略在实际应用中的可行性。
未来展望：
- 1. 提升材料稳定性： 论文提到含碘钙钛矿的稳定性有待提高。未来的研究可以致力于通过优化封装工艺或开发更稳定的钙钛矿材料体系，来增强图案化薄膜的长期服役性能。
- 2. 增加加密维度与复杂度： 目前研究采用了三种纹理，未来可探索更复杂、更精细的微纳结构，甚至引入动态可变的图案，进一步提升加密信息容量和防伪造的难度。
- 3. 优化AI识别模型： 虽然YOLOv5表现优异，但未来可探索更先进或针对微观纹理识别的专用AI模型，以提高识别的准确性、速度和对噪声的鲁棒性，甚至开发可部署在移动设备上的轻量化模型。
- 4. 拓展应用场景： 该技术目前展示了在二维码和图形加密上的应用，未来有望拓展至更复杂的数据载体，如全息图像、多层信息存储等，并探索在安全通信、硬件加密等更广泛领域的应用潜力。
总而言之，这项工作将经典材料特性与现代人工智能相结合，为高安全等级、自适应的加密技术领域开辟了一条新颖的技术路径，推动了信息加密技术向更高阶的演进。
