基于光谱技术与深度学习模型的玉米品种识别方法研究报告

作者及机构
本研究由黑龙江八一农垦大学信息与电气工程学院的Jiao Yang、Xiaodan Ma、Haiou Guan（通讯作者）、Chen Yang，以及农业农村部东北低炭绿色农业重点实验室的Yifei Zhang、Guibin Li、Zesong Li共同完成，发表于2023年的《Infrared Physics & Technology》期刊（卷128，文章编号104533），在线发布于2022年12月31日。

学术背景
玉米是全球主要粮食作物之一，但不同品种的营养成分、价格及用途差异显著。传统识别方法依赖人工观察或化学分析，存在效率低、成本高且可能破坏种子的问题。近红外光谱（Near-Infrared Spectroscopy, NIR）技术因其快速、无损的特性，结合深度学习模型，为作物品种识别提供了新思路。本研究旨在通过NIR光谱与一维卷积神经网络（LeNet-5）的结合，构建高精度、高效率的玉米品种识别模型，以解决传统方法的局限性。

研究流程
1. 数据采集与预处理
- 样本来源：实验材料为黑龙江省绥化市安达原种场的5个玉米品种（德美亚1号、德美亚3号等），共450组样本。种子经烘干、研磨后过100目筛，制成粉末样本。
- 光谱采集：使用德国Bruker公司的傅里叶变换近红外光谱仪（Tango）采集光谱数据，波数范围3940–11542 cm⁻¹，分辨率8 cm⁻¹。
- 数据预处理：采用去趋势算法（De-trending, DT）消除基线漂移，并通过竞争性自适应重加权采样算法（Competitive Adaptive Reweighting Sampling, CARS）从1845个原始波数中筛选出114个特征波数，数据维度降低94%。

1. 模型构建与训练

   • 网络结构：基于LeNet-5的一维卷积神经网络（1D-CNN），包含3个卷积层（C1、C3、C5）、3个池化层（S2、S4、S6）和1个全连接层（FC5），激活函数为ReLU，输出层使用Softmax分类。
     
   • 训练参数：迭代次数700次，批次大小10，学习率优化后采用随机失活（Dropout=0.1）防止过拟合。
     
   • 对比模型：与传统机器学习模型（BP神经网络、KNN、SVM、PLS）对比，验证LeNet-5的优越性。
     

2. 模型验证与结果分析

   • 性能指标：测试集准确率达99.20%，平均识别时间0.3500秒，显著优于其他模型（平均准确率提升25.78%）。
     
   • 混淆矩阵：德美亚3号和益农玉10号识别准确率100%，其他品种因化学成分相似性存在轻微误判（如郑单958与先玉335的混淆率为0.21%）。
     

主要结果
- 预处理效果：DT算法使训练集决定系数（R²）提升至0.7684，均方根误差（RMSE）降至0.6771，优于SNV和MSC方法。
- 特征提取：CARS算法筛选的114个特征波数包含与玉米淀粉、蛋白质相关的关键吸收峰（如7344 cm⁻¹、5317 cm⁻¹），显著提升模型稳定性。
- 模型优势：LeNet-5通过局部卷积和池化操作，有效捕捉光谱的局部特征，其训练集准确率100%，损失函数值仅0.0077，远优于原始数据模型（准确率70%）。

结论与价值
1. 科学价值：首次将NIR光谱与1D-CNN结合，验证了深度学习在作物品种识别中的高效性，为农业光谱分析提供了新方法。
2. 应用价值：模型可实现玉米品种的快速无损检测，适用于种子质量监管、杂交品种鉴定等实际场景。
3. 技术推广：该方法可扩展至其他作物（如水稻、小麦）的品种识别，未来可通过数据增强进一步提升小样本场景下的泛化能力。

研究亮点
- 方法创新：提出DT-CARS-LeNet-5联合流程，解决了传统光谱分析中冗余信息多、建模速度慢的问题。
- 性能突破：识别准确率接近100%，且单样本检测时间不足0.4秒，满足实时检测需求。
- 跨学科应用：将计算机视觉领域的LeNet-5网络适配于光谱数据，为农业信息化提供了跨学科范例。

其他价值
研究还探讨了不同预处理算法（如MSC、SNV）的适用场景，并提出针对固体颗粒样本的DT算法优化建议，为后续研究提供了技术参考。