编辑推荐：
为解决鲜糯玉米机械化收获中籽粒易受机械损伤、低区分光谱特征及小样本建模难题，研究人员提出 Siamese MGAD-Net 模型，结合高光谱成像与改进 Gramian 角场（MGAF）。结果显示模型 Rp2达 0.9543-0.9647，为收获参数优化提供支撑。
在鲜糯玉米的机械化收获浪潮中，精准把控籽粒受力情况成为提升收获质量的关键。然而，鲜糯玉米籽粒高达 60% 以上的水分含量，使其对收割机械的参数变化异常敏感，极易在收获过程中遭受机械损伤。这些损伤不仅会降低籽粒的商品品质，还可能加速其腐败变质，带来产量损失和经济收益下滑。与此同时，传统检测技术在面对低区分度的光谱特征和小样本数据集时，往往难以实现精准的受力预测，模型的稳定性和可靠性也大打折扣。如何突破这些技术瓶颈，实现鲜糯玉米籽粒受力的快速、精准评估，成为农业工程领域亟待解决的重要课题。
为了攻克上述难题，来自国内相关研究机构的研究人员开展了一项具有创新性的研究。他们将高光谱成像技术与深度学习模型相结合，提出了一种基于改进 Gramian 角场（MGAF）的孪生网络模型（Siamese MGAD-Net），旨在实现鲜糯玉米籽粒受力的高精度预测。这项研究成果发表在《Computers and Electronics in Agriculture》上，为鲜糯玉米收获过程中的机械参数优化提供了新的思路和技术支持。
研究人员主要采用了以下关键技术方法：首先利用高光谱成像技术（HSI）采集不同受力条件下玉米籽粒的光谱数据；然后通过改进的 Gramian 角和场（MGASF）与角差场（MGADF）将一维光谱数据转换为二维图像，在此过程中引入多尺度滑动窗口归一化和高斯加权机制优化图像编码；接着构建孪生网络架构，在网络中集成金字塔结构、位置注意力模块（PAM）、通道注意力模块（CAM）以及多尺度扩张卷积下采样模块（MDCDS），以实现多尺度特征提取和上下文信息捕捉；最后对处理后的 MGASF 和 MGADF 数据进行融合，完成籽粒受力预测。
光谱特征与内部结构分析
研究通过对比不同受力条件下玉米籽粒的光谱数据和 CT 图像发现，同一品种籽粒在不同受力状态下的光谱曲线整体轮廓相似，但未完全重叠。近红外（NIR）光谱在特定波段的反射率差异显著，结合 CT 图像可观察到受力导致的内部结构细微变化，如细胞间隙扩大等，证实了光谱特征与受力损伤的关联性。
模型构建与性能验证
研究设计了传统机器学习（PLSR）、常规深度学习（CNN）和 Siamese MGAD-Net 三种模型进行对比。结果表明，Siamese MGAD-Net 在三个单品种数据集和混合数据集上的 Rp2分别达到 0.9543、0.9580、0.9570 和 0.9647。相比传统方法，该模型在处理低区分光谱特征和小样本数据时表现出更强的鲁棒性，显著提升了预测精度。
讨论与结论
Siamese MGAD-Net 通过多尺度特征融合和注意力机制，有效增强了对细微光谱变化的捕捉能力，缓解了小样本建模的局限性。研究证实，高光谱成像技术结合改进 GAF 和孪生网络架构，能够精准建立光谱反射率与籽粒受力的映射关系，为田间实时损伤评估提供了可靠工具。该研究不仅拓展了高光谱技术在农业检测中的应用场景，还为鲜糯玉米收获机械的参数优化提供了关键技术支撑，对提升机械化收获质量、降低产后损失具有重要的实际意义。
综上所述，这项研究通过技术创新突破了传统检测方法的瓶颈，为鲜糯玉米籽粒受力预测提供了高效、精准的解决方案。其提出的模型架构和技术思路，不仅适用于玉米收获领域，也为其他易损伤农作物的机械化收获质量监控提供了可借鉴的参考，有望推动农业工程领域检测技术的进一步发展。
