基于双分支空间-光谱注意力融合模型（DSSAM）的烟叶尼古丁含量无损检测研究

本研究针对烟草叶片尼古丁含量传统检测方法耗时耗力、精度有限的问题，创新性地结合高光谱成像（HSI）与深度学习技术，提出双分支空间-光谱注意力融合模型（DSSAM）。通过多区域光谱注意力编码器（MSAE）和Swin窗口注意力（SWA）模块协同优化特征提取，模型R2提升7.85%，RMSE降低39.29%，为作物表型组分无损检测提供了新范式。

　　

烟草作为全球重要经济作物，其品质核心指标尼古丁含量的检测一直依赖紫外分光光度法、高效液相色谱（HPLC）等传统方法，存在流程繁琐、破坏样本等问题。虽然近红外光谱技术有所尝试，但研磨预处理要求和精度限制仍是瓶颈。高光谱成像（HSI）技术因其兼具空间与光谱信息，在作物表型分析中展现出潜力，但现有研究多聚焦单一模态特征，未能充分利用HSI数据立方体的多维信息。更关键的是，烟草叶片区域间尼古丁分布的空间异质性，使得单一区域特征难以准确表征整体含量，这一难题亟待突破。

中国农业科学院烟草研究所的研究团队在《Computers and Electronics in Agriculture》发表论文，提出双分支空间-光谱注意力融合模型（DSSAM）。研究采集云南北山市78个实验点的3个品种（红花大金元、K326、云烟105）和2个等级（BF2、CF3）烟叶样本，通过二维相关光谱（2D-COS）分析提取多通道特征图像，结合全波长光谱构建双分支输入。模型采用残差模块为基础架构，分别嵌入多区域光谱注意力编码器（MSAE）动态调整叶片区域光谱权重，引入Swin窗口注意力（SWA）强化局部空间特征提取。测试集结果显示，DSSAM的R²达0.893，相对预测偏差（RPD）3.054，较无注意力模块的双分支模型性能显著提升。

样本制备
研究选取云南4个产区78个实验点的多样化烟叶样本，涵盖不同品种和等级，通过标准烘烤工艺（约160小时）制备。样本队列设计有效覆盖了尼古丁含量的自然变异范围。

尼古丁含量分析
数据分布特征显示，云烟105品种尼古丁含量最高（平均0.892%），K326最低（0.654%），等级间差异达23.1%。这种空间异质性验证了多区域特征融合的必要性。

结论
DSSAM通过MSAE模块实现跨区域光谱权重动态校准，SWA模块则有效捕捉叶片局部空间结构特征。模型将测试集RMSE降低至0.289，较传统化学计量学方法提升39.29%，首次证明HSI空间-光谱融合特征对烟草品质检测的增效作用。该研究不仅为烟叶分级提供新工具，其模块化设计思路更可拓展至其他作物表型组分分析领域，推动农业无损检测技术向智能化、精准化发展。

研究团队特别指出，2D-COS筛选特征波长的方法显著降低了HSI数据维度，而双分支架构在保证精度的同时优化了计算效率。这种"特征降维+并行计算"的策略，为高维农业大数据处理提供了重要参考。