类型a

基于近红外光谱与改进DenseNet模型的玉米种子品种识别方法研究

本研究的主要作者包括周海超（Haichao Zhou）、关海鸥（Haiou Guan）、马晓丹（Xiaodan Ma）等人，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，时间为2024年。

研究背景

玉米作为重要的粮食作物，在饲料、食品及工业原料方面具有重要地位。随着全球气候变化和人口增长，育种学家通过杂交技术培育了多种高产、抗逆性强的优质玉米品种。然而，这些品种在外观上高度相似，仅凭肉眼难以区分，导致生产中出现混种问题，影响农业产量并对经济和粮食安全构成威胁。传统的种子品种鉴定方法如田间种植、高效液相色谱、蛋白质电泳及DNA分子标记技术虽准确率较高，但存在破坏性、耗时长、复杂且成本高等缺点，不利于大规模推广。因此，快速、无损的玉米种子品种识别方法成为迫切需求。近红外光谱（NIR Spectroscopy）技术因其快速、无损的特点，已被广泛应用于农产品识别领域。然而，现有的卷积神经网络（CNN）难以反映近红外光谱中的复杂非线性关系，且模型复杂度高，不适用于实时在线识别任务。为此，本研究提出了一种基于近红外光谱技术和轻量化深度学习网络（BAC-DenseNet）的玉米种子品种识别方法。

研究流程

本研究共分为以下几个主要步骤：

1. 实验材料与数据采集

实验样本由黑龙江省现代农业栽培技术与作物种质改良重点实验室提供，包含五个玉米品种：德美亚1号（DMY1）、垦粘1号（KN1）、先玉335（XY335）、先玉836（XY836）和郑单958（ZD958）。每个品种取150个样本，共计750个样本。每50粒种子为一个样本，确保种子完整无损。使用德国Bruker公司生产的傅里叶变换Tango近红外光谱仪采集光谱数据，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。

2. 数据预处理

由于环境和设备因素的影响，原始光谱数据存在基线漂移、噪声和散射等干扰信息。为此，研究采用了多种预处理技术，包括Savitzky-Golay平滑（SGSM）、一阶导数（SGD1）、二阶导数（SGD2）、多元散射校正（MSC）、标准正态变量变换（SNV）及其组合。其中，SGD2-SNV方法被证明能够显著提高识别准确率，平均提升15.78%。

3. 特征降维

为了减少高维数据中的冗余信息并提高模型性能，研究提出了吸引-排斥优化算法结合拉普拉斯特征映射（AROA-LE）方法进行特征降维。该方法通过优化参数确定最佳邻域数量和目标维度，将原始1845维数据降至66维。

4. 模型构建与训练

基于DenseNet-121网络，研究设计了一个轻量化的BAC-DenseNet模型。该模型通过剪枝减少层数，并引入批量通道归一化（BCN）、自注意力与卷积混合模块（ACMix）以及卷积块注意力模块（CBAM）。具体结构包括一个卷积层、三个BA-Dense块、两个过渡层、一个CBAM注意力模块和一个分类层。模型训练采用交叉熵损失函数，优化器为Adam，学习率设置为0.0001，训练周期为200轮次。

5. 性能评估

模型性能通过准确率（ACC）、Kappa系数、MCC值、AUC-ROC曲线等指标进行评估。同时，计算模型的参数量（Params）、大小（Size）和浮点运算次数（FLOPs），以衡量其复杂性和效率。

主要结果

1. 数据预处理效果
   SGD2-SNV方法显著提高了光谱数据的质量，消除了噪声和系统误差，增强了有效信息。与原始数据相比，PLS-DA、SVM和DenseNet模型的识别准确率分别提升了7.00%、8.74%和11.06%。

2. 特征降维效果
   AROA-LE方法在特征降维方面表现出色，相较于其他降维方法，其识别准确率、Kappa系数和MCC值均有显著提升。例如，在DenseNet模型中，测试集的ACC从83.33%提升至96.00%，Kappa系数从79.17%提升至95.00%。

3. 模型性能对比
   BAC-DenseNet模型在测试集上的识别准确率达到99.33%，相较于原始DenseNet模型提升了3.33%。此外，模型参数量减少了6.46M，大小减少了24.48MB，FLOPs减少了25.92M。与其他经典深度学习模型相比，BAC-DenseNet在ACC、Kappa和MCC值上平均提升了2.83%、3.52%和3.47%。

4. 消融实验
   消融实验验证了各模块的有效性。单独添加BCN、ACMix或CBAM模块均可提升模型性能，而综合使用三个模块的效果最佳。例如，ACC值提升了2.66%，Kappa系数提升了3.33%。

结论与意义

本研究成功构建了一种基于近红外光谱技术和轻量化深度学习网络的玉米种子品种识别方法，实现了快速、无损的品种鉴定。该方法在科学价值方面，为种子品种定性识别提供了新思路；在应用价值方面，可为玉米种子的育种、种植和管理提供定量指标支持。此外，该方法还可为其他农产品的品种鉴定提供参考。

研究亮点

1. 提出了SGD2-SNV预处理方法，显著提高了光谱数据质量。
2. 设计了AROA-LE特征降维方法，有效减少了冗余信息。
3. 构建了轻量化的BAC-DenseNet模型，兼具高性能和低复杂性。
4. 在识别准确率、模型效率等方面优于现有方法，具有较高的实用价值。

其他有价值内容

研究还探讨了未来工作方向，包括多模态数据融合、外部环境因素控制以及样本多样性的扩展。这些方向将进一步提升模型的预测能力和鲁棒性，为农业生产实践提供更多支持。