可见光-近红外高光谱成像技术通过一维光谱反射率分析实现了对豆类品系的非破坏性鉴定
《ACS Omega》：Visible-Near-Infrared Hyperspectral Imaging Enables Nondestructive Identification of Bean Accessions via 1D Spectral Reflectance Analysis
【字体：
大
中
小
】
时间：2026年05月08日
来源：ACS Omega 4.3
编辑推荐：
高分辨率图像
下载MS PowerPoint幻灯片
通过传感器进行可靠的种子鉴定对于种质资源保护、可追溯性和育种至关重要，然而传统的检测方法往往具有破坏性、劳动密集型且难以扩展。本研究使用可见近红外（VNIR）高光谱成像技术（Headwall Photonics，825个波段
高分辨率图像
下载MS PowerPoint幻灯片
通过传感器进行可靠的种子鉴定对于种质资源保护、可追溯性和育种至关重要，然而传统的检测方法往往具有破坏性、劳动密集型且难以扩展。本研究使用可见近红外（VNIR）高光谱成像技术（Headwall Photonics，825个波段）获取每个种子的平均一维反射光谱，并对32个豆类品种（共3200粒种子；每个品种100粒）进行了分类，这些品种包括30个常见的豇豆（Phaseolus vulgaris L.）地方品种以及两种在当地被归类为外群的豆类（Vigna angularis (Willd.) Ohwi 和 H. Ohashi 以及 Cajanus cajan (L.) Huth）。种子级别的反射特征显示出强烈的品种间差异（PERMANOVA；F = 201.40，p < 0.001）。主成分分析（PCA）在前三个成分中捕获了占总光谱变异的94.48%（PC1 = 67.17%，PC2 = 21.80%，PC3 = 5.51%），表明区分效果主要依赖于与颜色相关的吸收和散射光学特性。波长分辨的一对一关联识别出了具有品种特异性的信息波段，其中最强的关联在424.79 nm处达到r2 = 0.736，而监督下的ReliefF排序将多类信息集中在一个狭窄的绿色窗口内（562.85–584.65 nm；峰值约581.74 nm），这为减少波段数的多光谱筛选提供了直接指导；然而，减少波段数的测试表明，仅靠这个窗口不足以完成全部32个品种的分类任务。在全光谱多类建模中，经典学习方法表现最佳，线性支持向量机（Linear SVM）在独立20%的测试集上达到了88.59%的准确率（加权F1分数为88.52%），并且在不同光谱特征的品种间表现出结构化的混淆模式。一维深度学习模型仅作为次要基准进行了评估；最佳网络（MLP_1D）的测试准确率为82.03%（加权F1分数为81.52%），但在这种中等数据量的情况下并未超过最佳的经典模型。绿色窗口被解释为与种皮颜色、图案和表面微结构相关的光学特征区域，尽管本研究没有进行针对性的化学检测。由于每个品种仅在一个受控的实验室条件下分析了少量种子，因此还需要测试其在储存条件、种子含水量和收获时间下的稳定性。总体而言，VNIR高光谱成像结合可解释的一维光谱反射分析为种子级的鉴定提供了一条实用且机制上合理的途径，并可为食品和农业领域中的减少波段数传感器设计提供依据。
1. 引言
豇豆（Phaseolus vulgaris L.）和其他豆类作物在巴西乃至全球范围内仍然是食品安全和饮食文化的核心，但其价值链仍严重依赖于视觉检查和非正式的命名惯例，这些方法无法应用于大规模、混合或加工的种子批次。这导致了标签错误、地方品种身份丢失以及产品质量不一致的问题，尤其是在形态相似的种子共存或微小表型差异具有重大文化和经济意义的情况下。最近关于豆类种子质量和真实性方面的研究强调了快速筛选的需求，同时也指出了仅依赖宏观描述符的局限性，因为化学组成、加工行为和来源才是农业质量控制的实际目标。可见-近红外（VNIR）范围的高光谱成像提供了一种非破坏性的方法，可以大规模量化种子表型，同时保持与光学物理的直接联系。在农业系统中，高光谱技术已经从探索性表型分析发展到操作性预测任务，越来越重视重复性、稳定性和部署限制。对于种子而言，其潜力在于：反射光谱受到种皮中的可见光吸收（与颜色相关）、由表面微结构和内部界面引起的波长依赖性散射以及与氧-氢（O–H）和碳-氢（C–H）化学键和有效光程相关的近红外特征的影响。越来越多的研究认为，当光谱差异能够与可解释的性状相关联时，高光谱测量最有价值，而不是将其视为匿名的高维特征。机器学习已成为高光谱信号与可操作决策之间的默认接口，但目前大多数应用仍停留在相关性分析阶段。对于像这里使用的全光谱平均种子光谱而言，核心问题是是否可以通过低维描述性分析和相对简单的分类器（特别是基于PCA的结构和线性决策边界）来捕捉区分信息，而不是依赖高容量架构。一维深度学习网络可以作为次要基准进行比较，但它们并不定义本研究的主要范围。这是一个具有实际意义的机制性空白。如果区分信息主要受种子皮颜色和表面微结构相关的可见光吸收-散射机制支配，那么模型性能应该可以通过光谱中具有光学意义的区域来解释。相反，如果区分基于特定的相关性，则即使在交叉验证结果看似稳健的情况下，准确性也可能在照明条件变化、传感器漂移、种子方向或储存状态变化时下降。最近关于可解释人工智能在光谱学中的研究进一步指出，解释性应作为物理一致性检查的工具，而不是事后装饰，因此必须用于验证学习到的决策线索是否与合理的光学机制相兼容。尽管高光谱成像在食品和种子应用中得到了迅速应用，但由于区分光谱信号相对于批次内的变异性较为微妙，并且容易受到光照、校准漂移和样本呈现方式的影响，因此可靠的部署仍然具有挑战性。最近的综述强调，稳健的数据建模、验证和解释是确保种子和食品质量与安全的高光谱技术中的关键瓶颈。
2. 材料与方法
2.1. 植物材料、遗传背景和实验设计
本研究包括32个豆类品种。其中30个品种是传统的豇豆（Phaseolus vulgaris L.）地方品种，另外2个品种是在当地作为“Feij?es”处理的非豇豆类作物，分别是A27：Vigna angularis (Willd.) Ohwi & H. Ohashi 和 A28：Cajanus cajan (L.) Huth（表S1）。所选的地方品种代表了巴西广泛的传统豆类类型，包含了通过长期农民选择和区域适应过程保留的大量表型、生化和遗传多样性。收集的品种包括：(1) Feij?o Amendoim Roxo, (2) Feij?o Carioca, (3) Feij?o Preto Gigante, (4) Feij?o Branco Manteiga, (5) Feij?o Rosinha, (6) Feij?o Branco Gigante, (7) Feij?o Canário, (8) Feij?o Preto Mocotó, (9) Feij?o Verde, (10) Feij?o Vermelho Bolinha, (11) Feij?o Branco Bolinha, (12) Feij?o Mouro Gigante, (13) Feij?o Roxinho, (14) Feij?o Creme, (15) Feij?o Vermelho Gigante, (16) Feij?o Jalo, (17) Feij?o Amendoim Bege, (18) Feij?o Boreal Rosa, (19) Feij?o Chocolate, (20) Feij?o Amendoim Rosa, (21) Feij?o Olho de Pombo, (22) Feij?o Bico de Ouro, (23) Feij?o Amendoim, (24) Feij?o Ovo de Tito-Tico, (25) Feij?o Amendoim Verde, (26) Feij?o Rajado, (27) Feij?o Azaki, (28) Feij?o Guandu, (29) Feij?o Mouro, (30) Feij?o Mancá, (31) Feij?o Vermelho 和 (32) Feij?o Rapa Cuiua（表S1）。每个品种使用了100粒完整的种子以标准化设计（N = 3200）。当有更大规模的种子批次时，从该批次中随机选取100粒种子；排除有可见损伤的种子以避免伪影光谱。由于种子在品种内部嵌套且每个品种来自单一的种子批次，因此推断性陈述描述的是采样批次内的可区分性，而不是多次收获或储存历史。本研究中未实验性地改变储存条件、种子含水量和收获时间。因此，我们报告了种子级别的指标以及基于每个品种的多粒种子计算出的品种级别（多数投票）鉴定准确性。结果的不确定性通过按品种聚类的重采样（例如，按品种自助法）进行了量化，并在种子级别（N = 3200）和品种级别（G = 32）进行了解释。
2.2. 高光谱图像采集和光谱一致性分析
高光谱成像使用Headwall Photonics A SERIES（380–1100 nm）推扫式高光谱系统（Headwall Photonics Inc., Bolton, MA, USA）在配备控制推扫采集功能的实验室扫描平台上进行。用于分析的校准波长范围覆盖了423.34–1,022.07 nm的范围，生成了825个连续的光谱带，具有均匀的采样间隔（约0.73 nm；光谱分辨率）。数据通过四个扫描会话采集，每次会话包含多个培养皿，共涵盖所有3200粒种子。每次扫描时，大约50粒种子排列在培养皿的同一层上，背景具有低反射率，以最小化重叠并减少ROI定义过程中的背景混杂。传感器与样本之间的距离固定为85 cm，以标准化空间采样并减少几何因素引起的变异。采集在受控的实验室条件下进行；十二个20 W卤素灯均匀分布在扫描窗口周围，提供均匀照明，环境温度维持在25°C，消除了外部光线干扰。启用了相机冷却功能，并允许系统在采集前热稳态化，以减少漂移和电子噪声。反射率校准使用了Spectralon（Labsphere Inc., North Sutton, NH, USA）漫反射参考靶和暗电流测量，从而将原始强度转换为相对反射率值。
2.2.1. 反射率转换
在每次采集会话之前，禁用照明收集暗电流参考帧，以表征传感器噪声和固定模式成分。白光参考帧使用经过认证的Spectralon漫反射面板（99%反射率；Labsphere Inc., North Sutton, NH, USA）获取。采集参数在制造商的软件（Hyperspace III, Headwall Photonics）中定义，该软件使用39 ms的积分时间、40 ms的帧周期和50 mm/min的平移速度，实现连续的线扫描覆盖而不会产生空间不连续性。通过减去暗电流并归一化到暗电流校正后的白光参考值来计算像素级的反射率，从而得到物理上可解释的相对反射率值。
2.2.2. 关心区域提取和光谱特征生成
反射率校准后，高光谱数据被导出到ENVI Classic软件（版本5.4，Harris Geospatial Solutions, Boulder, CO, USA）中，用于后续处理。对于每个种子，都划定了一个感兴趣的区域（ROI），以捕获一个一致的中心区域，同时避免边缘像素的曲率、混合背景贡献或镜面伪影，这些可能会影响反射率。每个ROI由一个10 × 10像素的正方形（100像素）组成，并计算每个波长下的平均反射率，以产生每个种子的1D光谱。这个过程生成了与登录标签相关联的种子级光谱特征（每个登录标签100个光谱）。选择10 × 10像素的ROI大小是为了在（i）捕获足够的种子内部区域以平均传感器噪声和局部纹理以及（ii）避免边缘曲率、镜面高光和背景混合之间取得平衡。通过跨登录样本的初步视觉检查确认了这一选择，以确保ROI始终完全位于种子体内，适用于所有形态。检查还验证了在种子内部微调ROI位置时，反射率曲线是稳定的，这支持在最终数据集中使用每个种子的单个ROI。没有提取像素级的空间描述符、种子形状测量值或颜色异质性特征；该研究有意仅限于每个种子的一个中心ROI平均1D反射率光谱。
2.3. 光谱数据集的组织和Python实现
所有基于光谱提取后的分析都是在Python版本3.13.9的脚本中通过单一脚本工作流程实现的，以确保可重复性。反射率数据被组织成一个矩阵??∈???×??，其中N = 3200表示ROI级光谱的数量，P = 825表示波长带的数量。每一行xi对应于ROI i的平均反射率光谱，每个光谱都与一个登录标签y ∈ {A01, ···, 和 A32}N相关联。波长轴被存储为λ = (λ1, ···, 和 λP)T，λj以纳米（nm）表示。传统的机器学习程序是通过标准的Python ML工具实现的。
2.4. 光谱预处理
这些预处理步骤在VNIR高光谱种子分析管道中很常见。登录样本通过代码A01–A32进行索引，这些代码直接对应于第2.1节中定义的品种编号，并在表S1中报告。虽然提供了多项式基线校正（二次方），但在报告的分析中未应用，因为反射率光谱是通过白参考校准获得的。光谱通过Savitzky–Golay滤波器（窗口长度 = 11，多项式阶数 = 2）进行了平滑处理，以减少高频噪声，同时保留了具有诊断意义的带状特征。
2.5. 描述性和综合性光谱分析
使用探索性分析来表征登录样本之间的光谱变异性，并识别与登录样本区分相关的波长区域。计算了整个波长范围内的登录样本平均光谱，并进行了可视化，以评估可见光反射率的系统差异。我们还检查了近红外区域，在该区域反射率受到强烈散射机制和宽吸收行为的影响。通过将预处理光谱的欧几里得距离矩阵应用排列多元方差分析（PERMANOVA）来测试登录样本之间的全局光谱（VNIR）差异，以登录样本作为分组因子，并进行999次排列，得出F统计量和排列p值。为了量化与登录样本身份相关的特定波长关联，计算了每个波长下的反射率值与一对一编码的登录标签之间的皮尔逊相关系数。在这里，标签被编码为二进制指示器（1 = 目标登录样本；0 = 所有其他登录样本），这将登录样本身份视为一个名义变量，并不施加任何排序或数值距离。皮尔逊相关系数定义为??=∑????=1(?????????)(?????????)∑????=1(?????????)2????????????????????????√∑????=1(?????????)2?????????????????????√r=∑i=1N(xi?x`)(zi?z`)∑i=1N(xi?x`)2∑i=1N(zi?z`)2，其中xi(λ)是种子i在波长λ处的反射率，x(λ?)是所有种子在λ处的平均反射率，zi, c ∈ 0,1表示种子i是否属于登录样本c（一对一编码），zc是zi, c在所有种子中的平均值（i = 1, ···, N）。
通过对登录样本平均光谱应用欧几里得距离进行层次聚类：??(??,??)=∑??=1??(????,???????,??)2?????????????????????????????????????d(a,b)=∑j=1P(xa,j?xb,j)2，其中xa,?j表示登录样本a在波长索引j处的平均反射率。
2.6. 主成分分析（PCA）
主成分分析（PCA）用于获得高光谱变异性的紧凑表示，并支持对方差结构的机制解释。在PCA之前，光谱被标准化为零均值和单位方差：????,????=???????????????Xs,ij=Xij?μjσj，其中????=1??∑??=1????????,????=1???1∑??=1??(???????????)2???????????????????????????????????????μj=1N∑i=1NXij,σj=1N?1∑i=1N(Xij?μj)2。PCA应用于标准化矩阵以获得得分和载荷表示。导出的方差比率用于前20个成分，并生成了单个光谱和登录样本中心点的得分图。分析了载荷向量（PC1–3），以识别对主成分分离贡献最大的波长区域。
2.7. 通过ReliefFF进行特征排序和选择
使用ReliefF特征排序来量化哪些波长对登录样本的可分性贡献最大，并突出显示可能为未来的窄带多光谱筛选传感器提供信息的具体光谱区域：????←?????1????∑?∈????|????????????|+1????∑??∈????|?????????????|wj←wj?1mk∑h∈Hi|xij?xhj|+1mk∑m∈Mi|xij?xmj|，其中wj是波长带j的ReliefF权重，m是采样参考光谱的数量（迭代次数），k是最近邻居的数量，His是k个最近匹配（与光谱（i）相同登录样本）的集合，Mis是k个最近不匹配（不同登录样本）的集合，xsj表示光谱s在带j处的反射率（s = i, h, r）。为了识别对登录样本可分性贡献最大的波长区域，并为窄带传感器设计提供实用指导，对预处理光谱应用了ReliefF特征排序程序。在每次迭代中，算法将随机采样的光谱与其同一类别内的最近邻居（匹配）和其他类别的最近邻居（不匹配）进行比较，并通过惩罚类别内的差异和奖励类别间的分离来更新每个波长的权重。结果的权重向量??∈???w∈RP用于对波长进行排序，并在平均光谱上可视化最具信息量的带有。波长排序用于解释和传感器设计洞察；在主要模型基准测试期间，它没有用于限制特征空间，所有在主要基准中报告的预测模型都是基于完整的825个波长的光谱进行训练的。为了验证窄带的可行性，我们进行了敏感性分析，其中表现最好的经典模型（带有带级标准化的线性SVM）仅使用（i）由ReliefF排序的前K = 16个波长，（ii）仅使用562.85–584.65纳米的绿色区间，以及（iii）均匀下采样的覆盖整个VNIR范围的光谱（采样步长为5–30纳米）进行重新训练。所有窄带模型都在与主要基准中使用的相同固定分层80/20保留分割下进行评估。窄带结果在表S4.2.7.1中报告。
2.7.1. ReliefF实现细节和超参数
ReliefF特征加权是用NumPy在Python中实现的，用于权重更新和scikit-learn的Nearest Neighbors例程（scikit-learn v1.7.2）。对于每个采样的参考光谱i，我们使用欧几里得（L2）距离在完整的P = 825维光谱空间中确定了k个最近匹配（相同登录样本）和k个最近不匹配（不同登录样本），并使用绝对的带级差异项（|xij – xhj| 和|xij – xrj|）更新带权重，如eq（ReliefF）中所定义的。我们将最近邻居的数量设置为k = 20，并使用所有训练光谱作为参考实例（m = n_train = 2560）；所有随机操作都由固定种子（random_state = 42）控制，以确保可重复性。为了避免信息泄露到独立测试集中，ReliefF排名仅使用固定分层80/20分割的训练部分（n = 2560）进行计算。在同一登录样本内的匹配搜索中，我们检索了k + 1个邻居，并排除了查询光谱本身，保留了k个最近匹配。
2.8. 分类建模框架
登录样本识别被构建为一个32类分类问题。为了确保在不同模型家族之间进行公平比较，所有经典机器学习分类器和次要的1D深度学习基准都是通过相同的分层80:20保留分割（训练n = 2560；测试n = 640；每个登录样本80:20分割）进行评估的。每个种子贡献了一个ROI平均光谱，以防止训练集和测试集之间的任何像素或种子级别的重叠。我们基准测试了25个经典分类器，包括决策树、判别分析、朴素贝叶斯、支持向量机、k最近邻居、核近似方法、集成学习和多层感知器。主要解释重点是在PCA结构、波长优先级和线性SVM行为上，而深度学习被视为次要的比较分析。尽管模型预测是在种子级别计算的（N = 3200个光谱），但种子嵌套在登录样本中（G = 32个登录样本批次）。因此，性能指标的不确定性是通过登录样本聚类重采样（对登录样本的群集自举）来量化的，登录样本级别的（多数投票）准确率被视为具有32个独立单元的二项比例。使用独立测试集上的预测标签来计算总体准确率和错误率如下：
Accurity=1??∑??=1??o??(?????=????)
Errorrate=1?Accuracy
Errorrate=1?Accuracy
Cab=∑??=1??o??(????=??)??(?????=??)
这里，1表示指示函数，当条件为真时等于1，否则为0。在测试集上计算了混淆矩阵，并可选地对每类错误结构进行了行归一化以进行视觉比较。对于多类精度、召回率和F1分数，从混淆矩阵中计算了每类的量并通过支持加权平均进行组合；因为数据集是平衡的（每个登录样本100个种子），支持加权和宏平均在数值上是等价的。除了预测指标外，还记录了训练时间、预测吞吐量（观测次数s–1）和序列化模型大小，以表征计算可行性：
Precision??=TP??TP??+FP??
Precisionc=TPcTPc+FPc
Recall??=TP??TP??+FN??
Recallc=TPcTPc+FNc
F1??=2Precision??Recall??
Precisionc+Recallc
Precisionc+Recallc
F1c=2PrecisioncRecallc
Precisionw=∑c=1C(ncN)·Precisionc
Recallw=∑c=1C(NcN)·Recallc
F1w=∑c=1C(NcN)·F1c
其中TPc, FPc, TNc, 和 FNc分别表示类别c的真阳性、假阳性和假阴性。此外，当K = 32个类别时，∑c?=?1Kx是类别c中的测试样本数量，N是测试样本的总数。我们基准测试了25个经典分类器，涵盖了化学计量学和HSI中常用的主要归纳偏差家族（线性和非线性SVM、k-NN变体、判别分析、朴素贝叶斯、决策树和集成方法）。这个模型集旨在广泛测试可分性主要是低维和近似线性的（在这种情况下，线性方法应该具有竞争力）与需要更强非线性或更高模型容量之间的差异。
2.9. 层次交叉验证
除了用于主要基准测试的固定分层80/20训练/测试分割外，我们还进行了基因型感知的层次交叉验证程序，以评估重采样下的稳健性，同时确保每个基因型在每个折叠中都有表示。具体来说，我们使用K = 5的分层K折交叉验证，在每个登录样本内应用，每个基因型产生20个测试种子（表S2和S3）。
2.10. 模型优化曲线和概率性能总结
为了复制优化风格的诊断，通过仅使用训练数据和内部验证分割的简化网格评估进一步分析了两个模型家族。对于k最近邻居，邻居的数量在数据集大小的限制范围内变化，并记录了验证分类错误，以确定合适的k值。对于多层感知器分类，在相同的协议下评估了一组离散的隐藏层配置，以确定在固定优化设置下的高性能架构。独立测试集没有用于模型选择。当分类器通过predict_proba提供概率输出或通过决策函数提供连续决策分数时，使用独立测试集上的得分矩阵来计算微平均接收者操作特征（ROC）和精度–召回率（PR）曲线，通过以一对一的方式对类别标签进行二值化并在所有类别之间进行汇总。对于正类的二元评分，ROC定义如下：TPR=TPTP+FN
TPR=TPTP+FNF
FPR=FPFP+TN
FPR=FPFP+TNP
精度=TPPTP+FP
召回率=TPTP+FN
Recall=TPTP+FN
其中TP, FP, TN, 和 FN分别表示真阳性/假阳性/假阴性。ROC曲线下的面积（AUC）和平均精度（AP）作为池化微平均公式下的排名质量的标量摘要计算。
2.11. 次要基准：1D光谱特征上的深度学习模型
作为次要比较，直接将深度学习应用于1D反射率向量，将每个光谱视为长度为P = 825的固定长度序列。ROI级数据集（N = 3200）被划分为一个分层训练集（80%，n = 2560）和一个独立的测试集（20%，n = 640），专门用于最终评估。在训练集中，15%（n = 384）的数据被用于优化过程中的验证，剩下2176个光谱用于参数更新。验证子集仅来自训练数据，而独立的测试集仅在最终报告时被使用一次，以确保报告的测试指标能够反映模型对之前未见种子的泛化能力。通过验证损失来监测提前停止（耐心周期为6个时代），并在测试集上进行评估之前恢复表现最佳的模型状态。所探索的架构包括紧凑型或多层感知器、卷积模型和残差1D模型、扩张时域卷积网络、在波长索引序列上运行的循环模型，以及具有可学习嵌入和多头自注意力的Transformer编码器。模型通过Adam优化器进行训练（学习率10^-3），批量大小为32，最大训练周期为25个时代，使用多类交叉熵损失。对于一个样本i，其真实标签为yi，预测概率为pi（属于类别c），损失计算公式为：?=?1/N∑i=1/N log(pi, yi)。每个二级深度学习模型在保留的测试集上的性能通过准确率、宏观平均精确度、宏观平均召回率和宏观平均F1分数来评估，并且还通过可训练参数的数量来衡量模型容量。记录了每种架构的训练和验证学习曲线，以记录优化动态并根据固定的训练预算检测过拟合行为。
2.12. 可重复性和图表生成
本工作中报告的所有图表、表格和中间输出都是使用相同的Python 3.13.9工作流程序生成的，该工作流用于预处理、建模和评估。在数据集分割和模型初始化过程中，随机种子被固定下来以稳定比较，性能指标是根据上述独立的20%测试协议得出的，以确保报告的值能够反映模型对未见过数据的泛化能力。(44) 所有分析和图表生成均是使用Python 3.13.9、NumPy 2.2.6、Pandas 2.3.3、Matplotlib 3.10.5、Seaborn 0.13.2、SciPy 1.16.3、scikit-learn 1.7.2和openpyxl 3.1.5完成的。深度学习模型是用Keras 3.11.3和TensorFlow 2.20.0实现的。所有随机操作（数据分割、模型初始化和自助重采样）都使用了固定的随机种子，以确保结果的可重复性。模型开发和计算程序运行在配备NVIDIA GeForce RTX 4090 GPU、Intel Core i9-14900HX CPU、128 GB RAM和NVMe存储的工作站上，这些硬件支持高效处理高维光谱数据集，并允许在经典学习方法和深度学习方法之间进行一致的基准测试。(17,44)
3. 结果
3.1. 表型多样性和接入点基准
基准集包含了三十二个豆科植物的接入点（A01–A32），这些接入点在种子外壳颜色、图案和种子形态方面具有广泛的表型差异，从而在受控的实验室环境中创建了一个具有挑战性的认证场景（见图1和表S1）。该集合包括了高反照率（白色/奶油色）、中等反照率（黄色、粉色和红色）和低反照率（棕色到黑色）的均匀颜色种子外壳，以及诸如斑点、条纹和双色种脐对比等异质图案。这种视觉多样性伴随着种子几何形状的显著变化，从小型圆形种子到大型肾形和延长的“花生型”形态都有。故意包括了两个非Phaseolus属的接入点（A27和A28），以扩展所探索的表型范围，超出常见的豆类范围，同时仍属于当地的“Feij?es”分类，从而增加了该基准在实际筛查情境中的实用性，因为在实际情况下可能会出现混合批次。共分析了3200个ROI级别的光谱，每个接入点有100颗种子（见图2），这使得能够在视觉上可区分和视觉上模糊的情况下进行群体级别的光谱特征描述和模型基准测试。
图1
图1. 通过Headwall系统准备好了32个豆科植物接入点的种子，用于VNIR高光谱图像采集。左侧面板展示了从A01到A32按顺序排列的10厘米Petri盘（从左到右），序列在下一行的左侧边缘重新开始；右侧的数字表示每一行的最后一个接入点。右侧面板展示了每个接入点（01–32）的一个代表性种子，以相同的放大倍数展示，以便参考种子外壳的颜色、图案和形态。接入点A01–A26和A29–A32属于Phaseolus vulgaris L.；A27属于Vigna angularis (Willd.) Ohwi和H. Ohashi，A28属于Cajanus cajan (L.) Huth。刻度尺：左侧8.5厘米，右侧3厘米。
图2
图2. 基于ROI平均1D反射光谱和可解释建模的全光谱VNIR高光谱种子接入点识别工作流程。使用Headwall推扫系统（约423.34–1022.07纳米；825个波段）扫描了32个豆科植物的种子。经过辐射度校准（暗场和Spectralon白色参考）后，从每个种子的中心10×10像素ROI中提取了一个平均1D光谱（N = 3200）。对这些光谱进行了预处理（Savitzky–Golay平滑；剪辑到[0, 1]；可选的基线校正和SNV），并进行了可解释性分析（PCA、一对一余弦相关系数r2映射和ReliefF排名）。在相同的80/20训练/测试分割下评估了经典机器学习模型和二级1D深度学习基准，同时使用了内部验证集和提前停止策略。ReliefF揭示了一个集中在绿色域（约562.85–584.65纳米）的最大信息量波段的紧凑区域，为减少波段的多光谱筛选设计提供了直接指导，而这里报告的所有预测基准都使用了完整的825波段光谱。减少波段敏感性的结果见表S4。
3.2. 入接点级别的反射率组织在VNIR范围内的分布
接入点平均反射率曲线在测量的VNIR轴上显示出强烈且结构化的差异（见图3a）。在可见光波段，反射率相对较低且依赖于接入点，这与可变的可见光吸收（与颜色相关）和改变基线反照率及波长特异性衰减的壳层微结构一致。在可见光到近红外边界附近发生了明显的转变，之后反射率增加并形成了一个宽阔的近红外平台。这种行为是预期的，因为随着波长超过约700纳米，反射率从强烈的可见光吸收转变为更高、更平滑的近红外反射，这主要是由散射造成的。
图3
图3. 使用Headwall高光谱系统（约423–1022纳米；825个波段）测量的32个豆科植物的VNIR反射签名和PCA衍生的方差组织。(a) 可见光和近红外区域的接入点平均反射率曲线；虚线标记了700纳米，PERMANOVA在光谱距离矩阵上确认了强烈的接入点效应（F = 201.40，p < 0.001）。(b) 所有ROI光谱的PCA分数分布在PC1和PC2上（PC1 = 67.17%，PC2 = 21.80%），并按接入点着色。(c) 同一PC空间显示了接入点质心，以强调类别级别的分离。(d) 前20个成分的解释方差及累积方差叠加。(e) PC1–PC3的载荷向量，指示对每种方差模式贡献最大的波长区域。
尽管总体形状保持不变，但这种转变及其后续平台的幅度和曲率在不同接入点之间有显著差异，从而在多变量空间中实现了高分离度。白色、高反照率的接入点A06在整个光谱范围内显示出系统性的高反射率，而较暗的表型则保持较低的可见光反射率和较平缓的过渡曲线。通过对光谱距离矩阵进行PERMANOVA分析，确认了强烈的接入点效应（F = 201.40，p < 0.001；图3a），表明观察到的差异不能归因于接入点内部的采样变异性。
3.3. PCA揭示了与宽波段吸收和散射机制相关联的低维结构
主成分分析将825维的光谱压缩成一个低维表示，在这个表示中，少数几个方差模式捕捉到了大部分观察到的光谱多样性（见图3b–e）。仅PC1就解释了67.17%的方差，PC2额外解释了21.80%，PC3解释了5.51%，因此前三个成分解释了94.48%的光谱变异性。在ROI级别的得分空间中，光谱形成了一个连续的楔形流形，而不是严格分离的簇，这与接入点身份通过潜在光学性质的渐变编码而不是通过一组离散的、不重叠的签名来编码的情况一致。尽管存在这种连续性，但在PC1–PC2平面上接入点质心清晰地分离（见图3c），其中A06占据了具有高正分数的极端区域，反映了其全局升高的反射率。一些接入点的PC1值明显偏负，表明其光谱特征受到抑制，或者具有较弱的可见光到近红外的过渡。PCA载荷曲线显示这些方差模式是由连续的波长结构驱动的，支持了一种机制性解释，即主要轴对应于广泛的光学机制，如全光谱反照率和可见光吸收与近红外散射之间的平衡，而不是孤立的单个波段伪影（见图3e）。
3.4. 波长分辨的关联和波段优先级突出了绿光区分的狭窄窗口
一对一余弦相关系数映射显示，与接入点相关的信号在VNIR轴上的分布不均匀（见图4a,b）。皮尔逊相关系数曲线揭示了特定于接入点的符号模式和波长依赖的幅度，表明不同的接入点是由光谱的不同部分而不是单一的通用波段来区分的。当表示为决定系数（r2）时，关联结构强调了携带特定接入点强成员关系的局部波长区域。在整个接入点-波长图中，最强的单一关联在424.79纳米处的r2值为0.736，表明至少对于一个接入点来说，一个狭窄的蓝/紫色区域就可以编码大部分一对一的方差。
图4
图4. 基于Headwall VNIR光谱的波长分辨关联映射、接入点相似性结构和监督波段排序。(a) 在一对一编码下，每个波长的反射率与接入点成员关系之间的皮尔逊关联（r），显示了所有32个接入点在整个测量光谱轴上的情况。(b) 同样的关联图以r2表示，强调了携带最强类别关联的波长区域。(c) 基于欧几里得距离的接入点平均光谱的层次聚类，定义了接入点之间的光谱邻域结构。(d) 横跨波长的ReliefF重要性曲线，显示了全局平均光谱和±1标准差的范围；垂直标记表示选定的前K个波段（K = 16），集中在一个狭窄的绿色窗口（约562.85–584.65纳米）内。(e) 代表性种子按树状图叶片顺序排列，将光谱邻域与种子外壳特征联系起来。
从接入点平均光谱之间的距离得出的光谱邻域结构显示出一个层次化的组织，其中某些接入点形成了紧密耦合的对，而其他接入点占据更孤立的分支（见图4c）。值得注意的是，通过ReliefF进行的监督波段排序收敛于一组紧凑且实际可应用的信息丰富波长：排名最高的波段覆盖了562.85–584.65纳米，峰值重要性集中在大约582纳米附近（见图4d）。这一结果提供了一个重要的设计见解：虽然最强的单一类别关联可能发生在较短的波长处，但多类别区分信号在这一狭窄的绿色窗口中显示出最高的局部浓度；然而，减少波段敏感性测试表明，单独使用这个窗口不足以完成全部32个类别的任务，这意味着补充信息分布在VNIR范围内。狭窄的绿色窗口与这样一个概念一致：在可见光域种子外壳外观（颜色/图案）和外壳散射的微妙差异产生了最大的接入点间对比，其中反射率在吸收主导和散射主导的机制之间转变。沿树状图叶片的代表性种子排序进一步表明，光谱上接近的接入点通常具有相似的视觉特征，这意味着光谱相似性和表型相似性是耦合的，但并不完全相同（见图4e）。
3.5. 多类别接入点分类：使用完整VNIR光谱产生了清晰的层次结构
使用完整VNIR光谱进行多类别分类，在评估的经典模型中表现出明显的层次性（见图5）。整体测试集准确率从11.56%（精细高斯SVM）到线性SVM的88.59%不等，几种浅层神经网络分类器和判别变体在高水平准确率上表现相当。线性SVM获得了最佳的整体性能（准确率=88.59%；加权F1分数=88.52%）和最低的总错误分类数量（在640个样本的测试分割中为73个错误），表明在高维光谱空间中的线性决策边界足以利用这些数据中的主导判别结构（见图5、S1和S2）。使用完整的可见近红外（VNIR）光谱进行的多类访问分类基准测试和计算分析。(a)测试集准确率和(b)测试错误率，以及与部署相关的诊断指标，包括(c)总误分类成本、(d)预测吞吐量（每秒观测次数）和(e)训练时间（秒），突出了所评估的分类器家族之间的性能-效率权衡。
在高分辨率图像中下载MS PowerPoint幻灯片
在种子级别，最佳的传统模型达到了88.59%的准确率（访问-聚类自助法95%置信区间：84.53–92.34%）和88.52%的加权F1分数（95%置信区间：85.88–91.20%），而最佳的二级一维深度学习基准（MLP_1D）达到了82.03%的准确率（95%置信区间：75.94–87.66%）和81.52%的加权F1分数（95%置信区间：78.59–89.76%）。选定的传统基线指标总结在表S2和S3中，更广泛的基准分布显示在图5和S1中。减少带宽的敏感性测试（表S4）表明，将特征限制在ReliefF的前16个波长或仅限绿色窗口显著降低了性能（种子准确率约为32–34%），而在整个VNIR范围内均匀下采样则保持了高准确率（例如，在5 nm时为89.06%，在10 nm时为87.50%）。在访问（线）级别，对于每个访问的20个测试种子，线性SVM的准确率为100%（32/32个访问；精确95%置信区间：89.10–100%）（表S2），最佳深度模型的准确率为96.88%（31/32；精确95%置信区间：83.81–99.86%）。
混淆矩阵整体上非常对角线化，但残留错误并不是均匀分布的；相反，它们集中在少数一致的近邻混淆中（图6）。对于线性SVM，最大的类内混淆是A12 → A30 = 25%（5/20），相应的混淆A30 → A12 = 15%（3/20）。其他结构化的混淆包括A14 ? A17 = 15%（双向各3/20），A03 → A08 = 15%和A08 → A03 = 10%，以及涉及A11、A04和A26的簇（例如，A11 → A04 = 15%，A04 → A11 = 10%，A11 → A26 = 15%，A26 → A11 = 10%），这进一步表明尽管标签不同，某些访问仍然占据着密切重叠的VNIR范围。重要的是，这些高频混淆与基于距离的聚类推断出的光谱邻域结构相符，这与分类错误主要源于真正相似的平均反射率轮廓而不是模型不稳定性的解释一致（图4c、6和S3）。
图6
图6. 应用于32个访问区分任务的选定传统分类器的混淆矩阵。面板显示了代表性模型的类条件预测结果（y轴为真实标签；x轴为预测标签），包括线性SVM、神经网络变体、子空间KNN、判别分析和核SVM。颜色强度表示类内的归一化频率；对角线优势表示鲁棒识别，而非对角线结构表示光谱相邻访问之间的系统性混淆。
在高分辨率图像中下载MS PowerPoint幻灯片
图S3提供了最常混淆的访问对的平均光谱和相应的差异光谱，图S4提供了仅突出显示混淆测试集种子的PCA得分图。
3.6. 二级一维深度学习基准
作为次要比较，直接在1D VNIR反射率序列上训练的深度学习模型显示了依赖于架构的学习动态和泛化能力（表1和图7及8）。最佳保留性能由MLP_1D实现（准确率=82.03%；F1分数=81.52%），其次是MLP_Wide（准确率=80.94%；F1分数=80.06%）和MLP_Deep（准确率=79.69%；F1分数=78.53%）。其余架构明显低于上述的线性SVM基准，表明在这种ROI平均且中等大小的数据集下，经典模型更有效地捕获了主要的判别结构。
表1. 用于分类来自Headwall VNIR高光谱反射率序列的32个豆类种子访问的二级一维深度学习架构的独立测试集性能（约423–1022 nm；825个波段）
模型 准确率 F1分数 精确度 召回率 参数数量 迭代次数
MLP_1D 82.03 18.15 18.30 68 25
MLP_Wide 80.93 88.05 82.23 98 39
MLP_Deep 79.68 87.85 38 26 107
Transformer_1D 62.81 36.00 36.47 62 91
CNN1D_Deep 55.78 15.32 59.49 55.78 15
ResNet1D 53.12 55.06 57.61 53.12 77
TCN1D 50.31 34.71 45.17 35
Inception1D 46.09 44.26 45.44 46.09 19
CNN1D 39.68 35.82 38.64 63
BiLSTM1D 26.40 62.12 24.64 26.40 38
准确率报告为正确分类的测试光谱的总体百分比（%）；精确度（%）和F1分数（%）总结了整个访问集的多类性能。“参数”表示每个网络中的可训练权重数量。“迭代次数”表示在提前停止时训练终止的迭代次数（最多25次迭代）（图7）。
图7
图7. 直接适应VNIR反射率序列的二级一维深度学习基准的训练动态。面板(a–j)显示了评估架构的逐迭代训练和验证损失及准确率轨迹。面板(k)展示了在独立测试分割上表现最佳的深度模型（MLP_1D）的混淆矩阵，总结了优化后的残余误差结构。
在高分辨率图像中下载MS PowerPoint幻灯片
图8
图8. 二级深度学习模型在访问分类中的测试集性能和能力比较。(a)显示了每种架构的准确率和F1分数，并与模型大小（可训练参数数量；次要轴）一起显示，以可视化性能-复杂性关系。(b)显示了相同模型的精确度和召回率。
在高分辨率图像中下载MS PowerPoint幻灯片
优化轨迹与这种排序一致（表1和图8）。MLP系列比其他一维深度网络收敛得更稳定，但没有一种架构超过了主要的线性SVM基准。在并行优化诊断中，KNN调整确定了最佳邻域大小k = 6，并产生了微平均AUC = 96.40%和AP = 76.20%，而调整后的浅层神经网络分类器实现了微平均AUC = 99.70%和AP = 93.70%（图S2）。因此，即使离散准确率受到少数光谱重叠类对的限制，概率排名质量仍然很高（图6和S3–S5）。
4. 讨论
4.1. 访问之间的光谱异质性及其化学合理性
测量的范围（423–1022 nm；825个波段）故意涵盖了可见光域，其中种皮的颜色和图案以光学方式表现出来，以及短近红外区域，其中较弱的泛音结构和路径长度效应可能影响水合状态和微观结构组织。这一选择与最近以种子为导向的高光谱流程将VIS–NIR采集定位在生物学信息有用性和传感器实用性之间的折中是一致的。在这些流程中，可见光波段通常用于驱动种皮颜色和表面介导的表型区分，而近红外波段则作为组成或水分相关变化的补充支持。（9,11,32,45）在本面板中，平均预处理光谱表明，访问之间的可分离性确实主要由可见光区域主导，这与种皮颜色和图案的形态多样性相匹配（表S1）。这不仅仅是描述性的：它符合种皮光学受可见光吸收和波长依赖性散射支配的预期。访问级别的种皮颜色和图案差异，加上表面微结构，应该会产生稳定且可解释的光谱特征。（2,32）从这个角度来看，当光谱变异可以追溯到可重现的表型生成机制时，高光谱表型鉴定最具信息量，而不是被视为一个抽象的标签空间。（2,32）这种解释的内部一致性得到了PCA的支持。方差集中在少数几个方向上，并反复强调相同的波长区域，主要载荷将PC1置于红色区域（约667–681 nm），PC2置于蓝绿色区域（约503–507 nm），以及随后的组分置于对水敏感的近红外区域（约983–995 nm）（图3）。从机制上讲，这种结构与更广泛的文献一致，其中可见光组分主要捕获可见光吸收（与颜色相关）。此外，散射驱动的斜率变化，而近红外组分捕获较弱的O–H相关特征和与内部微结构及残余水相关的有效光学路径长度变化。（9,13,22）因此，这里使用PCA不是为了通用压缩；它充当了传感器输出和生物学合理性之间的解释桥梁，表明区分主要由可见光域的吸收和表面散射驱动，而近红外信息贡献更为微妙，且在访问在视觉上趋同时可能最为重要。（32,45）
4.2. PCA作为光谱方差和筛选效率之间的机械桥梁
前三个主成分解释了67.17%、21.80%和5.51%的方差，这意味着大部分光谱变异性位于一个平滑的低维流形上。从化学计量学的角度来说，这是波长连续性冗余的预期结果：相邻波段强烈相关，物理吸收/散射过程产生平滑结构，而不是任意的高频变化。最近在高光谱成像和化学计量学界面上的观点强调，这种低内在维度正是简化的线性方法在许多光谱任务中仍然具有竞争力的原因，（21,45,46），特别是当空间信息被压缩，且主导信号是全局反射率形状时。（5,23）在筛选方面，相同的几何结构提供了为什么最强的经典模型也是最简单的机械原因：主导结构可以通过线性边界分开，而无需高容量的决策函数。与此一致的是，线性SVM获得了最高的整体准确率（在32个平衡类别中为88.59%；图5），同时保持了计算效率，使模型选择与高通量表型和育种工作流程中的过程约束相一致。（32,40）
PCA在这项研究中的一个关键附加价值是它支持在分类器训练之前对分类难度进行操作性预测。在PC空间中占据拥挤邻域的访问在监督分类中表现出最强的混淆（图6），而更加孤立的访问倾向于以更高的类条件准确率被识别。这一观察直接与最近的观点相关，即高光谱流程中的模型评估应与数据几何结构和表示诊断相结合，而不仅仅是依赖于聚合指标。这很重要，因为许多失败模式源于内在的重叠而不是优化不稳定性。（10,46）无监督结构（相关性/聚类；图4a–c）和监督错误之间的一致性表明，误分类反映了重叠的光学表型，因此具有生物学意义。（5,32）它们是种皮颜色和微结构配置趋同的标志，而不是建模流程的伪影。（21,45,46）
4.3. 什么模型排名揭示了信号的本质？
模型排名提供了额外的机械洞察，因为性能与平滑、冗余的信号一致，在这种信号中，线性或浅层非线性决策函数捕获了大部分判别结构，而在当前的表示和样本大小下，更深的架构带来的收益有限（图5–8）。这种模式与最近的比较分析相符，这些分析表明，当深度学习能够利用丰富的空间-光谱结构或更大的训练多样性时，它往往表现得更好。对于具有高共线性的平均光谱表示，经典边界和低秩投影通常仍然具有很高的竞争力。（5,23）因此，当前结果加强了PCA、可解释的波长结构和线性SVM分类在这组数据中的主要重点。
在二级深度学习子集中，MLP_1D表现最好（准确率=82.03%），其次是MLP_Wide（80.94%），而更具结构的序列架构，包括Transformer变体，并未缩小与线性SVM的差距（图7和8；表1）。这表明，不仅是架构，表示也限制了这里可以学习的内容。通过跨种子对象平均光谱，该流程有意移除了可能携带用于斑驳或条纹种皮诊断散射线索的局部纹理和图案信息。因此，保留空间异质性或执行像素级光谱解混的方法可以被视为未来工作的机制驱动的扩展，而不是当前分析的重点。（21,32,45–47）
在与种子相关的文献中，另一个趋同点出现在可见光域。最近的综述和特定作物的研究报告称，蓝绿色波长通常对于区分种皮驱动的表型具有很强的作用力。我们的数据表明，大约在503–507 nm处的强烈PC2载荷与种皮颜色的差异一致，即蓝绿色区域中的波长依赖性吸收/散射。（32,45）因此，ReliefF识别的绿色区分窗口（562.85–584.65 nm）被解释为与种皮颜色/图案和表面微结构相关的光学杠杆区域，其中适度的色素相关吸收差异和波长依赖性散射可以产生相对较大的反射率对比。然而，这里没有进行针对性的化学检测或色素量化，因此这仍然是一个基于光学的假设，而不是直接的化学归因。
在相关的种子和豆类分类研究中，报告的准确率因类别数量、采集条件和评估协议而大不相同。例如，Li等人（11）通过在使用66个选定波长进行增强和SMOTE训练的改进版ResCNN，报告了93.06%的常见豆类品种识别准确率，而Zhu等人（9）通过全光谱PLS-DA报告了91.25%的准确率，以及通过93个波长的简化集（MC-UVE-BOSS）报告了91.25%的玉米种子老化区分准确率。尽管这些研究针对不同的目标和协议，但它们支持了一个更广泛的观察结果：在减少波段设计的情况下，仍然可以保留相当的性能——这激发了我们进行减少波段敏感性分析的动机（表S4.4）。从区分性波长到传感器设计，排名靠前的特征集中在一个狭窄的窗口内（562.85–584.65纳米；图4d），这意味着区分性信息主要编码在微妙的色彩过渡中，而不是宽带特征中。从机制上讲，这个区间位于可见光区域的斜坡上，在这里色素相关的吸收逐渐让位于向黄橙色区域过渡的反射率增加，因此种子胚乳的色素差异、模式表达和微观结构散射的微小变化可以以稳定且可重复的方式调节反射率。信息的局部化而不是在光谱中扩散，这与现代波段选择文献的观点一致，这些文献越来越多地将波长选择视为识别与表型相关的杠杆区域，以保持可分性同时减少冗余和计算负担。（32,35,48）一个有用的比较角度是，当任务从鉴定品种转变为评估组成或质量属性时，近红外结构往往变得更加重要，因此这里观察到的可见光局部化本身就提供了关于潜在信号性质的信息，即种子胚乳的光学特性而不是整体化学成分。（8,13,22）值得注意的是，我们的减少波段测试（表S4）表明，仅将输入限制在这个狭窄的窗口内并不能保持全部32个类别的准确性，这意味着在VNIR范围内仍然需要互补的信息。这种局部化对传感器工程也有直接的意义。最近关于手持式和实时光谱技术在食品和农业监测中的应用表明，其可行性取决于光谱丰富度、硬件复杂性和决策可靠性之间的明确权衡；在这种背景下，一个狭窄的候选窗口提供了从高光谱发现到紧凑型多光谱应用的可行路径。（13,14）因此，采用了一种机械性的两阶段策略，而不是启发式的：首先，在受控条件下使用全高光谱采集来识别和验证与表型相关的窗口，然后将这些窗口凝聚成简化设计，并在预期的操作限制下重新训练模型，同时针对干扰变化进行明确的压力测试。（5,10,32）在这种框架下，只有当传感器减少同时保持对产生表型的光学特性的敏感性并抑制由于采集条件引起的虚假变化时，才能成功。（10,28,39,49,50）4.5. 超出相关性：光谱的因果-概率解释大多数高光谱分类过程仍然是相关性的，因为它们识别出区分性模式，但没有明确建模生成这些模式的机制。然而，目前的结果包含了三个支持更强、可检验的机制性解释的共识：PCA几何结构、结构化的混淆模式以及区分性波长的局部化。这些共同暗示了一个合理的生成链：在种子水平上的遗传和发育差异塑造了种子胚乳的组成和微观结构，进而决定了可见光的反射率以及较弱程度的近红外吸收，而分类器则近似于从光谱到品种身份的逆向映射。这种解释与现代种子表型分析工作一致，后者将光谱特征视为具有机制性基础的血型，并试图将区分性区域与可物理解释的光学变化联系起来。（11,32,45）这一发现也与遗传学证据一致，即常见豆类、玉米、水稻和番茄的种子胚乳颜色和图案受可识别的转录程序调控，并且可以随着环境变化而变化，为光谱特征的稳定性和可控塑性提供了生物学基础。（2）将这种机制性叙述转化为可信的因果主张不仅仅需要增加模型复杂性；它还需要一个在扰动下仍然有效的测量-推断框架。最近在因果机器学习领域的调查强调，可信的因果推理依赖于明确的假设、不变性原则或干预设计，数字农业领域的立场文件同样认为因果性、可解释性和不确定性是可信赖决策系统的共同要求。（39,42）这一点在这里尤为重要，因为照明变化、传感器漂移、存储效应和种子含水量差异可能会引起光谱变化，除非数据收集能够明确区分这些因素，否则这些变化在观察上与生物变化难以区分。（10,13）与此同时，专注于光谱学的评论认为，解释应该被视为物理一致性检查，这表明可解释性方法具有具体的作用：测试在不应影响种子胚乳内在组成的受控扰动下，突出的波长和学到的决策线索是否仍然稳定。（16,30）在这种因果框架内，概率建模变得有用，因为校准后的不确定性可以用于检测光谱上模糊的案例，并触发重新测量、补充测量或针对性的采集。这将推断结果与高通量工作流程中的操作决策联系起来。（14,27,39,42,46）4.6. 限制和对转化应用的启示解释受到所选表示方法和外部有效性假设的限制。平均光谱有效地捕捉了种皮的整体反射行为，但它们抑制了可能对斑点或条纹品种重要的空间线索，并降低了对胚胎活力和依赖纹理的散射的敏感性。这一限制与一个观察结果一致，即最难处理的品种占据了PCA空间中的拥挤区域，并导致了不成比例的混淆，这意味着缺失的信息很可能是空间上的而非纯粹的光谱上的。最近关于种子和作物的高光谱文献一致显示，当保留空间-光谱上下文时，先进架构带来了最大的收益，这加强了未来改进应该针对表示方法而不仅仅是增加模型容量的结论。（21,45,46）外部有效性也需要在不同的采集日期、仪器、存储条件、种子含水量和收获历史中进行压力测试。由于每个品种只分析了一个种子批次，目前的基准测试没有单独隔离这些因素如何重塑VNIR特征，因此稳健的应用将需要跨领域的评估，而不仅仅是领域内的指标。（10,35,46）尽管存在这些限制，转化应用的信息在机制上却是清晰的。主要的区分性信息集中在以可见光为主导的低维结构中，可以通过线性边界和精心分布的波长采样高效利用，这自然符合育种、认证和鉴定流程中的高通量筛选需求。（32,40）通往更强机制性推断的最直接途径是将经验识别的波长区域转换为经过验证的光学代理，通过将它们与种子胚乳成分的针对性化学检测配对。通过采用在受控扰动下区分生物信号和测量伪影的因果和可解释框架，可以进一步加强这一点。（8,30,39,42）这种转变将高光谱种子分析从准确但可能脆弱的分类转变为可解释的区分，在这种分类中，光谱特征映射到可测量的机制上，不确定性在高通量、实际工作流程中积极指导决策。（13,14）一个关键的限制是，光谱解释并没有通过针对性的化学检测直接得到验证。因此，机制性声明被构建为基于文献和此处观察到的平滑、连续波长变化的光学上合理的假设。我们没有进行化学、色素或微观结构的量化；因此，对绿色窗口的解释仅限于光学上的合理性，而不是直接的生化确认。直接的验证检测超出了本非破坏性研究的范围，但计划在后续工作中进行。5. 结论VNIR高光谱反射率（约423–1,022纳米；825个波段）使得能够准确区分32个谷物-豆类品种的多样样本（N = 3,200个光谱）。在分层的80/20保留分割下（每个品种20个测试种子），最佳的经典模型——线性SVM——实现了88.59%的种子级别准确率和100%的线条级别（品种级别多数投票）准确性，而最佳的次级一维深度学习基准（MLP_1D）达到了82.03%的种子级别准确性。误差模式是有结构的，并集中在一组光学上相似的品种中，这与平均反射率轮廓的真实重叠一致。探索性PCA和波段重要性分析表明，可分性主要由平滑的、连续波长的光谱形状变化决定，重要性在狭窄的绿色区间（约562.85–584.65纳米）达到峰值。然而，减少波段敏感性测试表明，仅将分类限制在该区间内不足以完成全部32个类别的任务，而均匀分布在VNIR范围内的波段可以在显著减少波段数量的情况下保持高准确性。这支持了实际的多光谱设计，这些设计将波段分布在VNIR范围内，同时优先考虑高信息区域。主要限制包括：（i）缺乏针对化学/色素/微观结构的检测来验证超出光学合理性的机制性解释；（ii）通过单一仪器在受控条件下进行采集；（iii）每个品种使用一个种子批次，因此对存储条件、种子含水量、收获时间、批次间变异性和仪器漂移的鲁棒性仍有待压力测试。未来的工作应该（i）通过分层评估设计来评估不同存储期、水分状态、收获历史和采集批次的鲁棒性；（ii）明确针对部署限制优化和验证减少波段的多光谱配置（波段位置和数量）；（iii）整合空间-光谱建模，以更好地捕捉有图案（斑点/条纹）品种的异质性。
