基于数据融合技术与PSX-Stacking算法的玉米品种高精度鉴定方法

本研究针对玉米品种传统鉴定方法复杂、成本高且破坏性强的问题，创新性地结合高光谱成像技术、数据融合与PSX-Stacking集成学习算法，构建了多特征融合数据集。通过主成分分析降维和堆叠模型优化，实现了99.33%的品种识别准确率，为农业无损检测提供了高效解决方案。

　　

玉米作为全球三大主粮之一，其种子纯度直接影响产量和品质。然而，传统鉴定方法如化学分析、DNA标记等存在破坏性强、效率低下的问题。随着农业科技发展，高光谱成像等无损检测技术崭露头角，但单一光谱特征难以区分高度相似的品种。针对这一瓶颈，中国某研究机构团队开展了一项创新研究，成果发表在《Journal of Food Composition and Analysis》上。

研究人员采用VisNIR HSI高光谱成像系统采集5个玉米品种（yt29、yxn6等）的1000粒种子数据，结合光谱与纹理特征构建多源融合数据集。通过向量归一化预处理和主成分分析(PCA)降维后，创新性地建立PSX-Stacking集成模型——以PLS-DA（偏最小二乘判别分析）和SVM（支持向量机）为基模型，XGBoost作为元模型。

数据收集
实验选用150W卤素灯照明系统，在400-1000nm波段获取种子高光谱图像，每个品种200粒样本确保数据代表性。

The impact of vector normalization on classification results
预处理后的数据使XGBoost等7种模型的平均准确率提升12.6%，其中PSX-Stacking单特征识别率达95.66%，验证了数据标准化对模型性能的关键影响。

Discussion
相比传统PCR检测，该方法将识别时间从数小时缩短至分钟级，成本降低90%。融合特征使模型准确率提升至99.33%，显著优于单一模型（PLS-DA仅89.21%）。

Conclusion
研究证实：1）多源数据融合策略使特征维度扩展3.8倍；2）PCA降维保留95%有效信息的同时减少72%计算量；3）PSX-Stacking的集成学习机制使分类错误率比最优单模型降低61%。该技术为种子质量监管提供了自动化解决方案，对保障粮食安全具有重要意义。

Author Agreement Statement
所有作者确认研究原创性，通讯作者Weifeng Gao负责学术诚信。CRediT贡献声明显示：Gao负责算法开发，Jiang Minlan主导理论验证，Al-qaness Mohammed A. A.参与论文润色。Declaration of Competing Interest声明无利益冲突。