基于高光谱成像与多尺度特征调制的玉米种子纯度无损检测新方法SHMNet

【编辑推荐】针对传统玉米种子纯度检测效率低、破坏性强的问题，浙江大学研究人员创新性提出基于高光谱成像（HSI）与多尺度特征调制网络（SHMNet）的无损检测方法。该研究融合CARS-SPA特征选择算法与深度学习，在农林玉（Nonglinyu）和糯J181两个品种测试集上分别实现93.90%和89.53%的准确率，较传统机器学习提升6-38%，即使降维71.2%仍保持90%左右精度，为遗传相似性导致的种子光谱混淆问题提供高效解决方案。

　　

玉米作为全球重要经济作物，其种子纯度直接影响杂交品种的遗传稳定性与产量表现。然而，传统检测方法如人工筛选、电泳技术或DNA分析存在效率低下、破坏种子活性等缺陷，尤其难以区分遗传相似但表型细微差异的亲本与杂交种子。分子标记技术虽精确却成本高昂，无法满足大规模育种需求。这一矛盾促使研究者寻求更智能化的解决方案——高光谱成像（Hyperspectral Imaging, HSI）技术因其能同时捕获样本空间与光谱信息（900-1700 nm近红外波段），成为破解难题的关键。

浙江农林大学研究团队在《Microchemical Journal》发表的研究中，创新性提出种子高光谱多尺度特征调制网络（SHMNet）。该研究选取农林玉（普通玉米）和糯J181（糯玉米）及其亲本共989粒种子，通过HSI采集数据后，结合竞争性自适应重加权采样-连续投影算法（CARS-SPA）特征选择与深度学习建模。关键技术包括：近红外HSI系统构建、多尺度特征调制（MFM）机制设计、以及基于CARS-SPA的60个特征波段筛选（较全波段降维71.2%）。

材料准备与数据划分
实验采用农林玉（486样本）和J181（503样本）两组数据集，种子胚面朝上摆放以消除方向干扰。通过Kennard-Stone算法划分训练集与测试集（3:1），并采用标准正态变量变换（SNV）预处理消除散射噪声。

光谱分析
原始光谱显示两类玉米在1350-1500 nm区间存在显著差异：农林玉杂交种在1420 nm处吸收峰强度高于亲本，而J181杂交种在1470 nm处反射率低于亲本（图4）。这种特征为后续建模提供了生物光学依据。

模型性能验证
SHMNet在农林玉和J181测试集上分别达到93.90%和89.53%的全波段准确率，显著优于SVM（55.49%/63.95%）和1D-CNN（85.37%/82.56%）等传统模型。即使仅用60个CARS-SPA筛选波段，精度仍保持在91.46%（农林玉）和87.21%（J181），证明模型对光谱冗余信息的高度容错性。

讨论与结论
该研究的MFM机制通过动态整合局部感受野与全局上下文特征，有效解决了传统CNN在长程依赖性建模中的局限。可视化分析显示，模型能自主聚焦于1420 nm和1470 nm等差异显著波段（图8），这与光谱分析结果相互印证。研究成果为种子质量监管提供了兼具高效性（单样本检测时间<0.1 s）与可解释性的新范式，相关技术已获湖州（2024ZD2045）和浙江省重点研发计划（2019C02013）支持。

作者贡献
Hengnian Qi（戚恒年）负责论文撰写与算法开发；Junyi Chen（陈俊逸）参与方法论设计与数据分析；Shuqiang Hu（胡书强）和Guangwu Zhao（赵光武）提供实验资源；Chu Zhang（张初）完成理论指导与论文修订。团队声明无利益冲突。这项研究标志着高光谱智能检测技术在农业领域的重大突破，为后续作物品种鉴定、品质分级等应用奠定了方法论基础。