基于图像-高光谱融合与改进深度残差网络的藜麦种子品种鉴定方法研究

这篇研究论文创新性地提出了一种结合RGB图像与高光谱(HSI)数据融合的策略，通过改进的深度残差网络(CBAM-ResNet50-DSC)实现藜麦种子品种的高精度分类（准确率94.84%）。研究构建了包含8个品种12,800粒种子的多模态数据集，引入卷积块注意力模块(CBAM)增强特征判别力，采用深度可分离卷积(DSC)降低计算复杂度，为农业种子无损检测提供了高效解决方案。

　　

引言

藜麦作为重要的粮饲兼用作物，其种子纯度直接影响产量和品质。传统鉴定方法如浮选法、显微分析等存在效率低、主观性强等问题。近年来，基于RGB图像的深度学习方法和高光谱成像(HSI)技术分别在表型特征提取和内部成分分析方面展现出优势，但单一模态数据存在信息局限。

材料与方法

数据采集：研究采用吉林农科院提供的8个藜麦品种共12,800粒种子，按7:2:1划分训练集/验证集/测试集。RGB图像通过尼康D7100相机获取，高光谱数据使用FieldSpec4地物光谱仪采集350-2500nm波段。

创新性融合策略：

1. 1.

   将一维光谱数据转化为二维反射曲线图像，与224×224×3的RGB图像水平拼接，形成224×448×3的融合输入

2. 2.

   采用Savitzky-Golay(SG)滤波进行光谱预处理，避免SNV/MSC等可能扭曲曲线形状的方法

模型架构：

• •

  基础框架：ResNet50

• •

  核心改进：

  • •

    在Conv2/Conv3阶段嵌入卷积块注意力模块(CBAM)，通过通道注意力(公式3)和空间注意力(公式4)的级联实现双重特征增强

  • •

    在Conv4阶段用深度可分离卷积(DSC)替代标准卷积，参数量从26.9M降至17.4M，FLOPs从4.31G减至2.62G

  • •

    注意力计算流程：

    通道注意力：MC(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F)))

    空间注意力：MS(F)=σ(f7×7([AvgPool(F);MaxPool(F)]))

结果与讨论

多模态融合验证：

• •

  RGB&HSI融合数据使ResNet50准确率提升至89.61%(F1-score 0.8959)，较单一RGB数据提高8.75%

• •

  混淆矩阵显示JZ160品种识别率提升最显著(+30.63%)

注意力机制优化：

• •

  CBAM-ResNet50取得最优性能(93.20%准确率)，较基线模型提升4.14%

• •

  消融实验表明：SE/ECA模块分别带来1.82%/2.03%精度提升

轻量化设计：

• •

  CBAM-ResNet50-DSC最终达到94.84%准确率(特异性99.20%)

• •

  推理时间保持在0.15秒/样本，适合田间部署

泛化能力验证：

在公开水稻/玉米/大豆数据集上，模型保持89.62-94.73%的分类精度，显著优于VGG16和DenseNet121基线。

结论与展望

该研究通过创新的二维光谱图融合方式和CBAM-DSC协同优化策略，建立了高精度、轻量化的藜麦种子鉴定体系。未来工作将聚焦：1) 开发抗光照干扰算法 2) 探索低成本多光谱传感器 3) 引入多时相数据增强稳定性。研究为农作物种子质量智能检测提供了重要技术参考。