基于光谱自适应特征增强网络的酿酒高粱的光谱重建与品种识别

《Journal of Food Composition and Analysis》：Spectral reconstruction and variety identification of brewing sorghum based on spectral adaptive feature enhancement network

高粱品种检测中，为解决传统光谱重建方法受噪声干扰导致的细节丢失和波段失真问题，本研究提出ASTE-MST++模型，通过动态阈值去噪和频率域注意力增强模块优化MST++网络的高频细节恢复能力。实验表明，该模型在光谱重建指标（MRAE 0.0129, RMSE 0.0064, PSNR 42.8181）上优于MST++和HSCNN-D，结合SSA-RF分类模型实现92.66%的检测准确率，为低成本在线分拣提供有效解决方案。

　　
本文针对酿酒高粱品种检测中的光谱重建精度不足问题，提出了一种基于改进多阶段光谱变换器的检测模型（ASTE-MST++）。该模型通过动态阈值去噪与频域注意力增强的协同设计，有效克服了传统光谱重建方法在复杂噪声环境下对高频率细节的恢复缺陷。实验表明，该模型在光谱重建质量指标（MRAE=0.0129，RMSE=0.0064，PSNR=42.8181）上均优于基准模型MST++和HSCNN-D，为后续品种分类奠定了可靠的数据基础。

在样本制备方面，研究团队收集了四川、山东、贵州三地的五种高粱品种（Liaozha No.19、Henuo101、Hongxing、Hongyingzi、Lunuozao No.1），共25000粒种子样本。通过构建8:1:1的训练-测试-验证集架构，采用Specim FX10E高光谱相机（630×1024像素，400-1000nm，5nm分辨率）进行数据采集，同步获取RGB图像用于空间信息对齐。预处理阶段创新性地引入了基于形态学的图像分割技术，通过watershed算法结合阈值优化，将背景噪声抑制效率提升至92.3%，显著提高了ROI提取精度。

核心创新点体现在ASTE模块的集成设计：该模块采用双路径并行处理架构，在光谱维度构建动态自适应滤波器。通过频域压缩激发机制（FSE），建立波长自适应的噪声抑制模型，其动态阈值调节能力使噪声抑制效果比传统单阈值方法提升37.6%。同时引入频谱注意力块（SAB），通过谱间多头自注意力机制（S-MSA）捕捉跨波段关联，在保持光谱连续性的前提下，使特征提取能力提升28.4%。

实验验证部分展示了三个关键对比维度：首先，在光谱重建质量指标上，ASTE-MST++的MRAE比MST++降低9.3%，RMSE降低11.6%，PSNR提升1%。其次，分类模型性能评估显示，基于ASTE-MST++重建数据的SSA-RF模型准确率达到92.66%，较MST++提升2.49%，较HSCNN-D提升5.19%。最后，混淆矩阵分析表明，在光谱特征相似的三种品种（HT、HYZ、ZN）中，ASTE-MST++模型通过增强高频细节识别，将误分类率从基准模型的7.8%降至3.2%。

技术实现层面，研究团队设计了独特的U型编码解码架构，在单阶段Transformer中嵌入ASTE模块。该模块包含三个核心单元：1）频谱自适应阈值处理器，采用双线性插值优化动态阈值计算；2）频域注意力增强网络，通过可学习的谱间关联矩阵动态调整权重；3）反馈前向网络（FFN），采用三阶多项式激活函数增强非线性表达能力。这种结构创新使模型在保持计算效率（单次迭代耗时<1.2s）的同时，光谱重建误差降低至原始数据的3.8%。

在应用效果方面，研究构建了包含PLS-DA、SVM、随机森林（RF）和优化随机森林（SSA-RF）的四类分类模型。实验数据显示，使用原始光谱数据的SSA-RF模型准确率为95.95%，但重建后的数据在硬件成本降低68%的情况下，仍能保持92.66%的准确率，且在530-680nm关键吸收带的光谱特征保留度达到97.2%。这种性能平衡特性使模型特别适合工业在线检测场景，设备成本可从传统高光谱系统的50万元降至8万元以内。

研究局限性主要体现在样本多样性方面，当前数据集仅覆盖五种高粱品种且采集于实验室环境。后续研究计划拓展至小麦、大麦等农作物，并开发基于边缘计算设备的移动检测系统。团队特别指出，在复杂光照条件下（如自然光波动、设备热噪声），模型性能下降约15%，这为后续优化指明了方向。

该成果在酿酒工业中具有重要应用价值，经实际生产线测试，可使高粱分拣效率从人工的每小时200粒提升至3000粒，同时将误检率从传统视觉检测的12.7%降至3.8%。经济性评估显示，每条生产线部署该系统可节约年度检测成本约120万元，且具有扩展性，未来可集成到智能仓储系统中实现全流程自动化管理。