《Agriculture》：Rapid and Non-Destructive Detection of Soybean Seed Viability Using Temporally Enhanced Speckle Features Coupled with Lightweight Attention Network
Sen Men,
Junhao Zhang,
Lei Ni,
Qinghua Tian and
Xiaoming Jin
编辑推荐：
大豆种子活力对于田间出苗、群体均匀度和产量稳定性至关重要，然而传统的评估方法通常具有破坏性、耗时且费力。本研究开发了一种以时序增强GraphAVD（TD?GraphAVD）表征为中心的快速、无损大豆种子活力识别框架，并结合轻量级通道感知分类器进行下游判别。研究
大豆种子活力对于田间出苗、群体均匀度和产量稳定性至关重要，然而传统的评估方法通常具有破坏性、耗时且费力。本研究开发了一种以时序增强GraphAVD（TD?GraphAVD）表征为中心的快速、无损大豆种子活力识别框架，并结合轻量级通道感知分类器进行下游判别。研究人员构建了包含3000粒大豆种子的类别与品种平衡数据集，具有明确的二元标签，其中五个品种各贡献300粒发芽未处理的活力种子和300粒未发芽热处理的非活力种子。数据集被划分为开发集（n?=?2500）和完全独立的独立测试集（n?=?500）。动态散斑序列通过时序增强GraphAVD方法（TD?GraphAVD）转换为特征图，该方法结合了多步时序差分、指数衰减加权和重叠滑动窗口聚合，以更系统地利用激光散斑序列中的时序动态信息。在相同的ResNet?50框架下，TD?GraphAVD在比较方法中取得了最佳的特征提取性能，最佳验证准确率为84.80%，最佳验证宏F1分数为84.80%。在TD?GraphAVD特征输入下，结合高效通道注意力（ECA）模块的EfficientNet?B0增强了下游分类性能，在固定的内部验证划分上取得了95.87%的最佳验证准确率和宏F1分数。在开发集上的10折交叉验证过程中，模型的平均验证准确率和宏F1分数分别为94.85%和94.85%。在独立测试集上，折叠训练子模型的平均准确率和宏F1分数分别保持在92.26%和92.25%。这些结果表明，在当前的基于热灭活的实验室控制二元设置下，所提出的框架对于快速、无损的大豆种子活力判别是有效的，而其对于自然老化、部分劣变或其他异质性非活力种子群体的适用性仍有待进一步验证。
该论文题为《基于时序增强散斑特征与轻量级注意力网络的大豆种子活力快速无损检测》，由Sen?Men、Junhao?Zhang、Lei?Ni、Qinghua?Tian及Xiaoming?Jin共同完成，发表于《Agriculture》期刊。
研究背景聚焦于大豆作为全球重要的粮油作物，其种子生理质量直接影响萌发行为与产量稳定性。传统活力评估方法如发芽试验、加速老化试验等虽具参考价值，但存在耗时、费力且非标准化的局限，难以满足高通量种子评价需求。尽管机器视觉、光谱成像及生物散斑激光（Biospeckle?Laser,?BSL）等非破坏性光学传感技术已引起广泛关注，现有散斑分析方法多依赖相邻帧差分或全局时间平均，未能充分挖掘散斑序列中分布的非相邻帧或局部时间间隔的活力相关信息。同时，轻量级深度学习模型在种子图像分析中的应用潜力尚未在与时序增强散斑表征的任务匹配性中得到充分阐明。
为解决上述挑战，研究人员构建了包含5个品种共3000粒大豆种子的平衡数据集，通过强制热风干燥构建非活力样本，并通过标准发芽试验确立二元标签。研究提出了一种时序增强GraphAVD（TD?GraphAVD）算法，通过引入多步时序差分（最大步长M?=?3）、指数衰减加权（系数α?=?0.8）及重叠滑动窗口聚合（窗口长度W?=?5），系统性地增强了对激光散斑序列中动态信息的表征能力。随后，研究人员设计了基于EfficientNet?B0骨干网络并结合高效通道注意力（Efficient?Channel?Attention,?ECA）模块的分类器，通过ECA机制自适应调整特征通道权重，以提升对TD?GraphAVD特征图的利用效率。
研究结果表明，在固定内部验证集上，TD?GraphAVD结合ResNet?50的特征提取性能优于广义差分（GD）、藤原（FUJII）、传统GraphAVD及局部时空对比分析（LSTCA）等方法，最佳验证准确率达84.80%。在下游分类任务中，EfficientNet?B0+ECA模型表现最优，最佳验证准确率及宏F1分数达95.87%，显著优于支持向量机（SVM）、VGG16及ResNet?50基线模型。ECA模块的消融实验证实，其通过一维卷积捕捉局部跨通道依赖关系（核大小k?=?3），在不显著增加计算开销的前提下，使模型在10折交叉验证中的各项指标平均提升了约3.48个百分点。最终，在包含500粒种子的独立测试集上，模型保持了92.26%的平均准确率与92.25%的平均宏F1分数，验证了该框架在受控实验条件下的泛化能力。
讨论部分指出，TD?GraphAVD的有效性在于其能够捕捉超越相邻帧的时序演化规律，而EfficientNet?B0+ECA的优势则源于轻量化架构与通道重标定策略的协同。尽管该研究在受控热灭活二元分类场景下取得了高精度，但局限性亦不容忽视：非活力样本的构建依赖于实验室热处理，而非自然老化或田间复杂劣变过程；研究仅针对二元分类，未涉及多级别活力分级；且实验局限于单一采集环境。因此，未来工作需在更广泛的自然劣变样本、多批次数据集及便携式在线检测设备上进行验证。
综上所述，该研究成功开发了一种融合动态激光散斑成像、TD?GraphAVD特征提取及EfficientNet?B0+ECA分类的大豆种子活力识别框架，为种子企业的实验室辅助活力评估及智能分选提供了可行的技术路径，但其在实际农业生产复杂场景中的普适性仍需进一步考察。
