基于光谱-脉冲神经网络的超光谱成像小麦蛋白高效估测方法研究

针对传统机器学习方法在超光谱成像(HSI)分析中存在的高能耗和计算复杂度问题，研究人员创新性地提出光谱-脉冲神经网络(S2NN)模型。该研究通过直接输入编码和单时间步长设计，实现了小麦蛋白含量(R2=0.9969)的高精度估测，相比ANN、CNN和Transformer模型降低15-108倍能耗，为农业实时检测提供了高效解决方案。

　　

在精准农业和食品质量控制领域，小麦蛋白含量的快速准确检测一直是个重要课题。传统化学方法如凯氏定氮法虽然准确，但存在耗时长、需要化学试剂等缺点，难以满足大规模实时检测需求。超光谱成像(HSI)技术因其非破坏性和快速检测的特点成为研究热点，但现有机器学习方法如人工神经网络(ANN)、卷积神经网络(CNN)等存在计算复杂度高、能耗大等问题，限制了其在资源受限环境中的应用。

针对这一技术瓶颈，印度科学创新研究院(Academy of Scientific and Innovative Research)的研究团队开展了一项创新研究。他们提出了一种名为光谱-脉冲神经网络(S²NN)的新型模型，将生物启发的脉冲神经网络(SNN)技术应用于超光谱数据分析。该研究发表在《Smart Agricultural Technology》期刊上，为解决农业实时检测中的能耗问题提供了新思路。

研究人员采用了几个关键技术方法：首先收集了来自印度5个主要小麦产区的621份样本，构建了蛋白质含量9.5%-17.25%的多样化数据集；其次开发了基于直接编码的单时间步长S²NN架构，采用Leaky Integrate-and-Fire(LIF)神经元模型；最后通过替代梯度方法进行训练优化，并与ANN、CNN和Transformer模型进行多维度对比评估。

研究结果部分，"Protein estimation using S²NN"显示，经Savitzky-Golay二阶导数(SG2)预处理后，S²NN取得了最佳性能(R2=0.9969，RMSE=0.0813)。"Impact of Direct and Poisson Rate Encoding"证实直接编码在1个时间步长即可达到0.9969的R2，显著优于泊松编码的0.9697。"Performance evaluation of S²NN and ANN"显示，在相似架构下，S²NN比ANN能效提高2.06倍。"Performance comparison of S²NN with traditional models"中，S²NN远超PLSR(R2=0.6332)和SVR(R2=0.9583)。"Overall comparison of models"表明，S²NN仅需3.0186×10⁶ pJ能耗，是Transformer(3.2553×10⁸ pJ)的1/108。

研究结论部分指出，S²NN通过创新的脉冲神经网络架构，在保持高精度的同时大幅降低了计算资源需求。该模型仅需133秒训练时间，FLOPs减少5-34倍，为田间实时检测设备开发奠定了基础。讨论部分强调，这是首次将SNN成功应用于HSI回归任务的研究，其采用的直接编码和单时间步设计为后续研究提供了重要参考。虽然当前系统仍需专用HSI设备，但未来通过关键波长筛选和硬件优化，有望开发出低成本便携设备。这项研究不仅推动了农业检测技术的发展，也为其他领域的实时光谱分析提供了新范式。