本文属于类型a，即报告了一项原创性研究的学术论文。以下是对该研究的详细报告：
本研究的主要作者包括Haichao Zhou、Haiou Guan、Xiaodan Ma、Bingxue Wei、Yifei Zhang和Yuxin Lu，他们均来自黑龙江八一农垦大学信息与电气工程学院和农学院。该研究发表于《Microchemical Journal》期刊，发表日期为2024年9月1日。
玉米作为重要的粮食作物，在全球粮食安全和农业生产中占据重要地位。然而，不同品种的玉米种子在外观上高度相似，难以通过肉眼区分，这在实际生产中引发了一系列问题，如种子纯度下降、产量降低等。传统的种子品种鉴定方法虽然准确，但具有破坏性、耗时长、成本高等缺点，难以大规模推广。因此，开发一种快速、无损的种子品种鉴定方法成为现代农业的迫切需求。
近红外光谱技术（Near-Infrared Spectroscopy, NIR）因其快速、无损、易用的特点，已成为种子品种鉴定的常用技术之一。然而，现有的卷积神经网络（Convolutional Neural Networks, CNNs）在处理复杂的非线性近红外光谱数据时表现不佳，且模型复杂度高，不利于实时在线鉴定任务。因此，本研究提出了一种基于近红外光谱技术和轻量级深度学习网络（BAC-DenseNet）的玉米种子品种鉴定方法，旨在提高鉴定模型的准确性和效率。
本研究主要包括以下几个步骤：
研究选取了5种不同品种的玉米种子作为实验对象，分别为德美亚1号（Demeiya 1）、垦粘1号（Kennian 1）、先玉335（Xianyu 335）、先玉836（Xianyu 836）和郑单958（Zhengdan 958）。每种品种选取150个样本，共计750个样本。
使用德国Bruker公司生产的傅里叶变换近红外光谱仪采集玉米种子的近红外光谱数据。光谱范围为11542–3940 cm⁻¹，分辨率为8 cm⁻¹。每个样本扫描三次，取平均值作为最终光谱数据。光谱数据采用Savitzky-Golay平滑（SGSM）、Savitzky-Golay一阶导数（SGD1）、Savitzky-Golay二阶导数（SGD2）、多元散射校正（MSC）和标准正态变量变换（SNV）等方法进行预处理，以消除噪声和基线漂移。
采用拉普拉斯特征映射（Laplacian Eigenmaps, LE）结合吸引-排斥优化算法（Attraction-Repulsion Optimization Algorithm, AROA）对预处理后的光谱数据进行降维，将维度从1845降至66。
基于DenseNet-121网络，通过层剪枝和引入批通道归一化（Batch Channel Normalization, BCN）、自注意力与卷积混合模块（Self-Attention and Convolution Mixed Module, ACMix）以及卷积块注意力模块（Convolutional Block Attention Module, CBAM），构建了轻量级深度学习网络模型BAC-DenseNet。该模型通过自适应平均池化生成特征向量，并使用Softmax函数进行分类。
实验结果表明，提出的BAC-DenseNet模型在玉米种子品种鉴定中的准确率达到99.33%。与原始网络和其他七种经典深度学习模型相比，该方法在准确率、Kappa系数和Matthews相关系数（MCC）上分别平均提高了2.83%、3.52%和3.47%。同时，模型参数（Params）、模型大小（Size）和浮点运算次数（FLOPs）分别平均减少了9.09 M、35.08 MB和88.66 M。
本研究提出的BAC-DenseNet模型在玉米种子品种鉴定中表现出高准确性和可靠性，能够为玉米种子的育种、种植和管理提供定性指标。该方法不仅提高了鉴定效率，还降低了模型复杂度，为其他农产品的品种鉴定提供了参考方法。
本研究还探讨了光谱数据预处理和特征降维对模型性能的影响，提出了基于AROA-LE的降维方法，进一步提高了模型的稳定性和准确性。此外，研究还通过消融实验验证了各模块对模型性能的贡献，证明了BAC-DenseNet模型的合理性和有效性。
本研究为玉米种子品种鉴定提供了一种高效、准确的解决方案，具有重要的科学价值和应用前景。