《Smart Agricultural Technology》：SSCBKA-Optimized Machine Learning for Hyperspectral Classification of Maize Seeds for Agricultural Quality Control
编辑推荐：
本文针对传统黑鸢算法(BKA)在优化极限随机树(ET)和随机森林(RF)模型参数时易陷入局部最优、收敛速度慢的问题，提出了一种融合正弦余弦策略(SCA)和纵横交叉策略的改进算法SSCBKA。研究人员通过CEC2017基准函数测试验证了SSCBKA的优越性，并将其应用于玉米种子高光谱数据分类，构建了SSCBKA-ET和SSCBKA-RF模型。实验结果表明，优化后的模型在准确率(Accuracy)分别达到0.88268和0.89385，显著提升了分类性能。该研究为农作物种子精准鉴别提供了新的算法支持，对智慧农业发展具有重要意义。
在农业生产中，玉米作为全球最重要的粮食作物之一，其种子质量直接关系到作物产量和品质。传统种子鉴别方法主要依赖人工形态观察，存在效率低、主观性强等局限性。近年来，高光谱成像技术因其能够获取丰富的光谱信息，为种子无损检测提供了新途径。然而，如何从海量高光谱数据中提取有效特征并实现精准分类，仍是当前研究的难点。
机器学习算法如极限随机树(Extremely Randomized Trees, ET)和随机森林(Random Forest, RF)在高光谱分类中展现良好性能，但其性能高度依赖参数设置。传统参数优化方法容易陷入局部最优，影响模型分类精度。为此，Shizheng Qu等人创新性地提出了一种改进的黑鸢算法——正弦策略交叉黑鸢算法(Sinusoidal Strategy Crossover Black-winged Kite Algorithm, SSCBKA)，通过融合正弦余弦优化策略和纵横交叉机制，显著提升了算法的全局搜索能力和收敛速度。
该研究首先构建了包含吉单27和吉单53两个品种的玉米种子高光谱数据集。随后，研究人员在CEC2017测试函数上验证了SSCBKA算法的优越性，结果显示其在30个测试函数中的排名显著优于16种对比算法。进一步地，团队将SSCBKA应用于ET和RF模型的超参数优化，重点调整了决策树数量(Trees)、特征采样数(Predictors to Sample)和叶节点最小样本数(Leaf Size)等关键参数。
技术方法方面，研究采用高光谱成像系统采集样本数据，通过改进的元启发式算法优化机器学习模型参数，使用混淆矩阵和准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数等指标评估模型性能。
4.1. 实验数据集
研究收集了200粒玉米种子样本，涵盖两个主要品种，采用高光谱成像系统在特定波段范围内采集光谱数据，建立了标准化数据集。
4.2. SSCBKA算法改进
通过引入非线性时变扰动策略和纵横交叉机制，SSCBKA有效平衡了全局探索和局部开发能力。实验表明，该算法在解决高维复杂优化问题时表现出更强鲁棒性。
4.3-4.5 算法性能验证
在CEC2017基准测试中，SSCBKA在10维、30维、50维问题上均取得最优结果，其平均排名水平分别为1.53、2.73和2.93，显著优于对比算法。
4.7-4.8 模型优化结果
SSCBKA优化的ET模型准确率达0.88268，RF模型准确率达0.89385，相比传统优化方法提升显著。混淆矩阵显示改进模型在各类别分类上均表现优异。
研究结论表明，SSCBKA算法能有效解决复杂优化问题，其优化的机器学习模型在高光谱数据分类中具有显著优势。该研究不仅为农作物种子鉴别提供了新技术方案，也为元启发式算法与机器学习的结合应用提供了重要参考。未来工作可拓展到更多作物品种和机器学习模型，进一步验证方法的普适性。相关成果发表于《Smart Agricultural Technology》，对智慧农业发展具有积极推动作用。
