DC-MMoE：一种深度交叉多门专家模型，利用近红外高光谱成像技术实现水稻种子活力的同时评估和品种分类

《Computers and Electronics in Agriculture》：DC-MMoE: A deep Cross multi-gate Mixture-of-Experts model for simultaneous rice seed vigor assessment and variety classification using near-infrared hyperspectral imaging

本研究提出Deep Cross Multi-Gate Mixture-of-Experts（DC-MMoE）模型，利用近红外高光谱成像（998–1631 nm）同步评估水稻种子活力与品种分类。通过引入Deep Cross模块建模高阶光谱交互，并采用Sparsemax替代Softmax以过滤噪声，解决了传统多任务学习（MTL）框架在高维强相关光谱特征下的建模缺陷。实验表明，DC-MMoE较标准MMoE在品种分类准确率上提升约4%（p<0.05），且具有稳定的训练性能和高效的高通量筛查优势。

　　

黄志宏|吴晓萍|齐恒年|张楚

中国湖州大学信息工程学院，湖州313000

摘要

种子活力和品种分类是评估水稻种子质量的关键因素，直接影响农业生产力和粮食安全。目前用于种子评估的高光谱成像方法依赖于效率低下的单任务模型，这些模型忽略了任务之间的相关性，而标准的多任务学习（MTL）框架在处理高度共线光谱特征时也存在困难。为了解决这一问题，本研究提出了一种新的MTL模型——Deep Cross Multi-gate Mixture-of-Experts（DC-MMoE），利用近红外高光谱成像（有效光谱范围：998–1631 nm）同时且无损地评估水稻种子的活力和品种。为了应对高维高光谱数据带来的挑战，DC-MMoE模型通过引入Deep Cross模块来显式建模高阶光谱相互作用，并用Sparsemax函数替代Softmax函数以过滤连续噪声，从而改进了传统的MMoE框架。多项独立实验的统计评估表明，DC-MMoE的性能显著优于标准MTL基线模型。该模型不仅在品种分类的绝对准确性上有所提升（平均准确率比标准MMoE高出约4%，p < 0.05），而且在面对随机初始化时也表现出显著的训练稳定性。此外，与顺序单任务模型相比，DC-MMoE提供了一个统一且高度可扩展的架构，消除了模型之间的冗余，非常适合用于高通量的农业种子分选。

引言

水稻作为全球最重要的主食作物之一，其种植面积和产量直接影响全球粮食安全。在水稻种植和生产中，种子质量是决定作物生长条件和最终产量的关键因素（Jin等人，2022a）。种子测试的关键研究领域包括种子活力评估和品种鉴定。种子活力直接影响发芽率、幼苗生长速度和抗逆性，因此进行准确评估对于确保农业生产力至关重要（Pang等人，2020）。品种测试可以确保种子的真实性和一致性，为品种改良提供科学支持，并防止可能损害农民利益的掺假行为（Jin等人，2022b）。传统的种子活力测试方法，如标准发芽测试（Alahakoon等人，2021）和四唑染色（Qiao等人，2023；Sukkaew等人，2023），虽然可靠，但通常耗时且具有破坏性，限制了它们在大规模、快速、无损筛查中的应用。同样，传统的形态学（Phan & Nguyen，2025）或基于分子标记的品种鉴定方法（Kumar等人，2015）也面临操作复杂性、成本高昂以及易受环境因素影响的挑战，限制了它们的实际应用。

近年来，高光谱成像（HSI）技术因其在空间和光谱信息方面的综合能力而在农业领域受到了广泛关注（Wang等人，2021）。该技术能够捕捉连续波长的反射率或吸收特性，实现表面特征的化学成分映射和无损的内部结构分析（Qi等人，2024；Qi等人，2023）。深度学习作为一种强大的机器学习方法，在提取高级抽象特征方面表现出色，在图像分类和目标检测任务中取得了优异的性能（Liu等人，2021；Ramcharan等人，2017）。将深度学习算法与高光谱成像相结合，可以充分利用潜在的数据模式，显著提高各种应用中的实验准确性。当前的研究已将深度学习与HSI结合用于种子活力和品种检测。例如，Li等人（Li等人，2025）利用高光谱技术结合多尺度光谱注意力残差网络（MSARN）和两个特征波长提取步骤，实现了对常见豆类种子活力的高精度无损评估，各项指标（如准确率、精确度、召回率和F1分数）均超过98%。Wu等人（Wu等人，2022）提出了一种创新的加权损失深度卷积神经网络（DCNN）模型，能够在类别不平衡的情况下基于高光谱数据实现水稻种子的批量无损活力检测，最大准确率和宏观F1分数分别为97.69%和97.42%。在品种鉴定方面，Wang等人（Wang & Song，2023）利用基于高光谱图像的卷积神经网络－长短期记忆（CNN-LSTM）模型区分甜玉米品种，实验结果显示在训练和测试数据集中的分类准确率均超过95%。这些研究表明，高光谱成像与深度学习的结合为种子质量评估和分类挑战提供了有前景的解决方案。

尽管已有研究利用近红外高光谱成像和深度学习进行无损种子评估，但该领域仍主要依赖针对不同目标的孤立单任务模型。例如，Sharma等人（Sharma等人，2024）最近的工作成功将深度学习应用于HSI数据来识别小麦种子品种和地理来源，但明显是为每个特定任务分别训练了模型。这种传统的单任务方法忽略了特征之间的内在生理和形态学相关性，未能利用协同学习效应，导致计算流程冗余（He等人，2024；Li等人，2011）。为直接解决这些限制，我们提出的多任务学习（MTL）框架在一个统一的架构中提取共享的光谱表示，同时优化种子活力和品种的评估，无需独立的、计算效率低下的网络。MTL是一种机器学习范式，通过在不同任务之间共享知识来提高整体性能，利用共同的表示来提升模型的泛化和效率（Lee，2023）。在农业研究中，一些学者已将MTL应用于作物疾病识别、农产品质量评估和品种分类等任务。例如，Xu等人（Xu等人，2024）提出了一种创新的Shared-MMoE模型，利用植物电子医疗记录（PEMR）中的多维信息，在害虫和疾病识别以及药物推荐任务中分别获得了96.33%和95.36%的AUC分数。Kang等人（Kang & Gwak，2022）开发了一个结合了两种不同架构的多任务深度卷积神经网络的集成模型，在水果新鲜度和品种分类中分别获得了98.50%和97.43%的平均准确率。然而，关于将MTL框架应用于基于高光谱成像的种子无损检测的研究仍然有限，特别是同时优化种子活力评估和品种鉴定方面。

为了解决这些问题，本文提出了一种改进的多门专家混合模型（MMoE），称为Deep Cross – Multi-Gate Mixture-of-Experts（DC-MMoE）。该模型旨在利用998–1631 nm光谱范围内的近红外高光谱成像技术实现水稻种子活力和品种的同步无损检测。本研究的主要贡献包括：（1）我们识别并解决了传统MTL门控机制在处理高度共线、高维高光谱数据时的架构限制；（2）我们提出了DC-MMoE框架，通过嵌入DC模块和Sparsemax激活函数在结构上改进了MMoE模型。这种新架构显式建模了高阶非线性跨波段相互作用，并强制实现稀疏专家路由，为从单次高光谱扫描中同时、高通量提取种子活力和品种特征提供了创新方法；（3）我们分析了模型中DC模块数量变化的影响；（4）我们比较了Progressive Layered Extraction（PLE）、MMoE和Cross-stitch Network模型在联合无损检测水稻种子活力和品种方面的性能。

本文的结构如下：第2节详细介绍了实验材料和建模方法，包括高光谱图像采集、预处理和模型架构设计；第3节展示了实验结果和其他先进方法的比较分析；第4节深入讨论了研究结果，强调了模型的优势及其潜在应用场景；第5节总结了研究并概述了未来的研究方向。本研究的整体分析过程如图1所示。

样本准备

样本准备

本研究使用的水稻种子样本来自中国浙江省临安市浙江农林大学的农业科学学院，共8个品种：Suxiangjing100、Yongyou12、Yongyou1540、Zheliangyou274、Yongyou15、Yongyou10、Jingliangyou534和Longjingyou1212，共计14,300个样本用于实验。这四种水稻种子品种——Suxiangjing100、Yongyou12、Yongyou1540和Longjingyou1212——之前的研究中也已经使用过

光谱分析

图4显示了经过三种老化处理的Yongyou10水稻种子的平均光谱反射曲线。所有曲线显示出相似的整体趋势。在1000 nm到1100 nm的波长范围内，未老化的Yongyou10种子与老化96小时和192小时的种子之间存在显著的光谱差异；在1100 nm到1400 nm的范围内，三种老化处理下的种子光谱轮廓非常相似，有大量重叠；超过1400 nm后，光谱曲线开始分化

讨论

评估的MTL基线模型之间的性能差异凸显了架构归纳偏差的深远影响。活力评估需要捕捉微妙的生理退化现象，这受益于具有明确分离专家的模型。相反，品种分类依赖于宏观的光谱基线变化，过于复杂的路由会导致过拟合。正如PLE模型的97.28%训练准确率但约76%的测试准确率所证明的那样，高度参数化的模型在这种情况下表现不佳

结论

本研究推进了农业高光谱感知的多任务学习方法论框架。除了成功实现了水稻种子活力和品种的同步检测外，关键的科学贡献在于DC-MMoE模型的架构创新。通过用DC模块和Sparsemax归一化替代传统的线性门控机制，这项工作成功解决了传统MTL模型在捕获高阶非线性特征时面临的困难

CRediT作者贡献声明

黄志宏：撰写 – 审稿与编辑，撰写 – 原稿，软件开发，方法论，数据管理，概念化。吴晓萍：撰写 – 审稿与编辑，可视化，资源获取，调查，数据管理。齐恒年：撰写 – 审稿与编辑，监督，资源管理，项目管理，资金获取。张楚：撰写 – 审稿与编辑，可视化，监督，方法论，概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了湖州重点研发计划（项目编号：2024ZD2045）和浙江省重点研发计划（2019C02013）的支持。