基于高光谱成像与深度学习的冬小麦品种及生长阶段识别研究

作者与发表信息

本研究由韩国庆熙大学（Kyung Hee University）智能农业科学系的Yu-Jin Jeon、Dae-Hyun Jung团队与韩国原子能研究所（Korea Atomic Energy Research Institute）的Min Jeong Hong、Chan Seop Ko等合作完成，发表于Computers and Electronics in Agriculture期刊2025年第230卷。

学术背景

研究领域：本研究属于农业信息学与植物表型组学的交叉领域，结合高光谱成像（Hyperspectral Imaging, HSI）技术与深度学习算法，旨在解决小麦育种中的品种快速鉴定与生长监测问题。

研究动机：全球气候变化导致传统优势小麦品种的适应性下降（“交叉互作”现象），而现有育种技术依赖耗时的人工表型分析。高光谱技术可捕捉叶片生化成分的细微差异（如蛋白质、水分含量），但传统分析方法难以处理高维数据。因此，本研究提出一种混合CNN-Transformer模型，以实现高通量表型分析。

目标：
1. 开发一种基于高光谱数据的深度学习模型，准确识别6个冬小麦品种及其3个关键生长阶段（分蘖期、茎伸长期、抽穗期）；
2. 验证模型在真实栽培系统中的实用性，为育种决策提供自动化工具。

研究方法与流程

1. 材料准备与数据采集

研究对象：6个韩国主栽冬小麦品种（Tabdong、Jinpum、Dajung、Joa、Baeggang、Saegeumgang），其形态特征相似但遗传背景差异显著（见表1）。

实验平台：
- 高通量表型平台：配备自动化传送带和暗室高光谱成像系统（MicroHSI 410Shark光谱仪，波长范围400-1000nm，151个波段）。
- 环境控制：温度15-24°C，湿度40-70%，光照周期12小时，每日定时采集图像（2021年8月至9月）。

2. 数据预处理

关键步骤：
1. ROI提取：基于NDVI值（0.2-0.5）从叶片区域随机提取3×3像素块，每个样本生成1-3个ROI，数据格式为（3,3,151）。
2. 数据重塑：对每个ROI的9个像素求平均，降维至（1,151）的一维光谱向量。
3. 光谱预处理：
- 异常值剔除：利用Scipy的find_peaks函数检测反射峰，剔除峰值数<10的样本；
- Savitzky-Golay平滑滤波：窗口长度30，多项式阶数3，降低噪声；
- 标准正态变换（SNV）：消除散射效应，公式为$(x_i - \bar{x})/\sigma$。

3. 模型构建

混合架构设计：
- 1D-CNN模块：两层卷积（64和128个滤波器，核大小10），ReLU激活，批归一化，最大池化（窗口2），全局平均池化。
- Transformer编码器：多头自注意力机制（公式5-8），残差连接与层归一化，前馈网络（128维）。
- 模型变体：通过叠加1-3个Transformer块（1D-CNN-1TF至1D-CNN-3TF）比较性能。

训练设置：
- 数据集划分：训练集:验证集:测试集=6:2:2；
- 评估指标：总体准确率（OA）、Kappa系数、F1分数等。

主要结果

1. 模型性能

• 品种识别：1D-CNN-1TF模型表现最佳，测试集OA达94.05%（Kappa 92.78%），显著优于纯CNN模型（OA 79.52%）。混淆矩阵显示，遗传背景相近的品种（如Baeggang与Saegeumgang）易被误判，但Transformer模块通过捕捉全局依赖关系改善了区分度。
  
• 生长阶段识别：1D-CNN-2TF模型OA达99.24%，各阶段分类误差均%。t-SNE可视化显示，模型将生长阶段按时间顺序线性分离（图14d），反映其捕捉生理连续变化的能力。
  

2. 光谱特征分析

• 敏感波段：734-773nm（最高反射率）、555-635nm（叶绿素特征）对品种鉴别贡献显著；
  
• 预处理效果：SNV处理后，不同品种的光谱差异放大（图6c），表明归一化对模型学习至关重要。
  

3. 计算效率

• 参数量：1D-CNN-1TF含78.6万参数，预测单样本耗时0.52秒，满足实时监测需求；
  
• 过拟合控制：Dropout（20%-50%）与早停策略有效抑制了Transformer层的波动性（图8b）。
  

结论与价值

科学意义：
1. 首次将Transformer的自注意力机制引入小麦高光谱分析，证明其能增强CNN对长程光谱依赖的建模能力；
2. 揭示了小麦叶片生化成分（如氮含量）与光谱特征的关联模式，为表型-基因型关联研究提供新工具。

应用价值：
- 育种加速：模型可集成至自动化栽培系统，实现品种适应性的大规模筛选；
- 精准农业：生长阶段实时监测有助于优化水肥管理，应对气候变化导致的生育期变异。

研究亮点

1. 方法创新：提出1D-CNN-Transformer混合架构，在保持CNN局部特征提取优势的同时，通过自注意力捕捉光谱全局上下文；
   
2. 技术整合：将高光谱成像、深度学习与农业表型平台无缝结合，建立从数据采集到决策的闭环流程；
   
3. 可扩展性：框架可迁移至其他作物（如水稻、玉米）的品种鉴定与胁迫响应分析。
   

其他发现

• 数据量影响：即使样本量有限（每品种约300-500条光谱），通过数据增强与迁移学习仍可实现高精度；
  
• 硬件兼容性：模型可部署于边缘设备（如无人机载光谱仪），推动田间实时表型分析的发展。
  

（注：文中图表及参考文献索引请参见原文献）