基于高光谱成像与Transformer增强卷积自编码器的受损大豆多目标实时分类新策略

为解决大豆品质检测中样本量不足和多目标分类难题，南京农业大学研究团队创新性地将高光谱成像(HSI)与Transformer-卷积自编码器(T-CAE)结合，开发出准确率超96%的多类型受损大豆(破碎/虫蛀/病变/霉变)实时分类系统。该研究通过T-CAE的自注意力机制实现光谱数据增强，使1D-CNN模型分类准确率提升9.71%，为农产品在线分选提供新技术方案。

　　

大豆作为重要的植物蛋白来源，其品质直接影响食品工业和饲料生产。然而在采收、储运过程中，温度湿度等因素易导致大豆出现破碎、虫蛀、病变和霉变等多重损伤，传统人工检测方法效率低下且主观性强。虽然高光谱成像(HSI)技术因其非接触、无损检测优势在农产品领域崭露头角，但现有研究多局限于单一损伤类型识别，且面临样本量不足导致模型泛化能力差的瓶颈。

南京农业大学食品科技学院的研究团队在《Food Control》发表创新成果，提出将Transformer架构与卷积自编码器(CAE)融合的T-CAE模型，通过生成高质量合成光谱数据突破样本限制，最终建立准确率超96%的多目标分类系统。该研究不仅实现四种损伤大豆的同步识别，更通过数据增强使1D-CNN模型性能提升9.71%，为农产品智能分选装备研发奠定技术基础。

关键技术包括：1) 使用国产"津选豆100"建立五类大豆样本库(正常/破碎/虫蛀/病变/霉变)；2) 搭建HSI系统采集400-1000nm光谱数据；3) 设计T-CAE模型整合Transformer的全局特征提取与CAE的局部细节保持能力；4) 采用生成光谱训练1D-CNN分类器。

【样本制备】通过真空密封控制水分，确保天津产大豆样本在五种状态下的稳定性，为HSI检测提供标准材料。

【光谱分析】发现破碎大豆在400-500nm波段反射率显著升高，虫蛀大豆在600-800nm出现组织特征变化，为损伤识别提供光学依据。

【结论】T-CAE生成的光谱能同时捕捉全局特征和局部细节，其数据增强策略有效解决小样本问题。与原始光谱相比，使用生成数据训练的1D-CNN模型准确率提升近10%，证实该方法在复杂农产品检测中的优越性。

该研究的突破性在于：首次将Transformer的全局建模能力引入农产品HSI分析，创新性地通过数据生成而非采集扩大训练集，为同类农产品质量检测提供普适性方案。团队特别指出，T-CAE生成的光谱保留了关键生化特征，这对保持模型在真实场景中的鲁棒性至关重要。研究成果对实现大宗农产品智能化分级具有重要应用价值，相关技术路线可扩展至其他谷物品质检测领域。