编辑推荐：
为解决传统小麦种子品种鉴定耗时、易污染等问题，研究人员开展了多光谱成像结合改进 YOLOv5 鉴定小麦种子品种的研究。结果显示该方法测试集准确率达 99.38% ，评估指标良好，为种子鉴定提供了高效无损的新途径。
在农业生产的大舞台上，小麦作为世界上最重要的谷类作物之一，其种子的质量和品种对于产量和品质起着关键作用。想象一下，农民们满心期待地种下种子，却因为买到假种子，导致收成大打折扣，一年的辛勤劳作付诸东流；种子公司也可能因为市场上的假冒伪劣产品，信誉受损。而传统的小麦种子品种鉴定方法，如分子标记、荧光原位杂交和幼苗鉴定等，就像是老旧的工具，不仅操作复杂、耗时费力，还会对样本造成破坏，无法满足现代种子市场快速、准确检测的需求。因此，寻找一种高效、无损的小麦种子品种鉴定方法迫在眉睫。
在这样的背景下，来自国内的研究人员踏上了探索之路，他们的研究成果发表在《Food Physics》上。研究人员开展了基于多光谱成像结合改进 YOLOv5 的小麦种子品种鉴定研究，旨在解决传统鉴定方法的不足，为小麦种子市场的规范和生产提供有力支持 。
研究人员主要运用了以下关键技术方法：首先，使用多光谱成像仪器（Videometer Lab）采集小麦种子样本的多光谱图像，该仪器有 19 个波段，能获取丰富的光谱信息。接着，通过遗传算法（GA）和相关性分析（CA）筛选出最优特征光谱波段，减少冗余信息。然后，对筛选出的光谱图像进行融合，得到更适合深度学习的图像数据。最后，利用改进的 YOLOv5s 模型（添加卷积块注意力模块 CBAM）进行小麦种子品种的识别。
下面来看看具体的研究结果：
- 多光谱图像样本分析：研究人员收集了 8 个不同品种小麦种子的多光谱图像，发现同一小麦种子在不同波长波段下的图像存在差异。通过分析各波段的光谱反射率，初步筛选出适应率高的波段，再分析其相关性，最终选定 3 个相关性最小的波段用于后续融合。
- 多光谱图像选择：分析不同小麦种子品种的光谱发现，在 19 个波长范围内，种子反射率虽有相似模式，但在 505 - 850nm 范围内反射率差异显著，870nm 之后则难以区分，且光谱值差异不规律，简单分类方法难以鉴别品种。
- 特征波段遗传算法选择：遗传算法依据对分类识别的贡献评估，筛选出贡献率超 85％的 7 个波段，分别为 405、505、570、590、630、870 和 890nm。
- 相关性分析：考虑到不同波段间的相关性会导致冗余信息增加计算成本，研究人员从预选择的 7 个波段中选取相关性较低的 3 个波段。最终确定 405nm、570nm 和 890nm 这 3 个波段用于融合新图像，作为改进 YOLOv5s 网络的输入。
- 图像融合结果：将 3 个选定波段的图像归一化到 640×640 分辨率，融合成新图像，以 RGB 格式呈现，为后续模型训练提供数据支持。
- 不同模型方法结果：对比改进 YOLOv5S 和 YOLOv5 结合 RGB 图像、融合图像的鉴别结果，发现融合图像的模型效果优于 RGB 图像，且改进后的 YOLOv5s 网络表现更优，未参与训练的新品种小麦种子不会被误识别为训练品种。
- 基于改进 YOLOv5 的鉴定：研究人员使用 Faster RCNN、SSD 和原始 YOLOv5s 等模型进行对比实验。结果显示，融合图像的模型效果普遍优于 RGB 图像。其中，YOLOv5s 结合 CBAM 和融合图像的模型表现最佳，P 达到 95.8％，R 为 96.1％，F1为 95.95％，mAP 为 99.6％，在测试集中准确率高达 99.38％。
综合研究结果，研究人员得出结论：基于多光谱成像结合改进 YOLOv5s 的方法，能够精准地鉴别小麦种子品种。该方法在测试集中准确率高达 99.38%，各项评估指标如 P、R、F1和 mAP 均高于 90％，表明其适合快速、无损地鉴定小麦种子品种。这一研究成果意义重大，为小麦种子品种的鉴定提供了一种高效、可靠的新方法，有助于规范小麦种子市场，保障农民和种子公司的利益。虽然目前该方法还处于实验室研究阶段，存在多光谱成像设备成本高、实际识别速度等问题，但随着光电科学的发展，有望将其集成到硬件中，构建低成本的种子定性检测系统，在农业生产领域发挥更大的作用，甚至为其他农作物种子的鉴定提供借鉴，推动整个农业生产鉴定技术的进步。
