基于高级可解释数据驱动的Bi-Mamba模型，利用高光谱技术实现大豆种子的精准分类

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Advanced interpretable data-driven Bi-Mamba model for accurate classification of soybean seeds via hyperspectral technology

　　

Jingyuan Zhao|Ruixue Sa|Haizhen Ding|Kang Tu|Jun Liu|Sunlu Chen|Weijie Lan|Leiqing Pan

南京农业大学食品科学技术学院，中国南京210095

摘要

快速准确地识别大豆种子品种对农业生产及种子质量保障具有重要意义。本文提出一种基于Bi-Mamba双向状态空间模型的高光谱大豆种子分类方法，以提高识别效率与精度。该研究利用高光谱成像技术获取12个大豆品种的光谱数据，通过Bi-Mamba模型进行分类，该模型采用双向状态空间结构，有效提升了光谱序列中长距离依赖关系的建模能力。此外，还引入了基于梯度的加权机制与滑动窗口策略，动态调整光谱响应的权重，从而更精准地捕捉具有区分度的局部光谱特征。同时，借助SHAP方法进行可解释性分析，量化不同光谱带对模型输出的贡献，进一步提升模型的透明度与可解释性。实验结果表明，Bi-Mamba模型在大豆种子品种分类任务中表现优异，在2倍数据增强条件下，其在校准集上的分类准确率为99.87%，在预测集上为98.61%，显示出较强的泛化能力。SHAP分析显示，模型主要关注1300–1600纳米区域的特征光谱带，这些区域与大豆种子中的O-H、N-H以及C-H相关吸收特征密切相关，确保了分类结果与关键光谱特征的一致性。总体而言，该方法为大豆品种识别提供了一种快速、可靠且无损的解决方案。

引言

大豆是全球最重要的油料作物之一，其种子富含蛋白质和脂肪，既可用于人类营养需求，也可用于食品加工产业[1]。农民和种植者依赖高质量的大豆种子，以确保种子能够稳定发芽、植株均匀生长，并获得稳定的产量。因此，种子质量是直接影响农业生产力与经济收益的关键因素。种子质量受遗传稳定性、物理完整性以及健康状况等多种因素影响[2]。优质种子有助于作物在生长过程中抵御环境压力和病害，而低质或混杂的种子则容易导致出苗不均和产量下降。正因如此，准确识别大豆种子品种在种子生产、流通和质量控制中具有重要意义。现代育种计划每年都会推出新的大豆品种，这些品种在外观上往往差异很小。传统的人工检测方法依赖经验与视觉判断，难以区分外观相似的种子，这增加了储存和交易过程中品种混杂及假冒产品出现的风险[3]。因此，种子生产者与监管机构需要一种快速且不会损害种子的可靠识别方法。目前有多种分析技术能够高精度地识别种子的成分与来源，包括液相色谱-质谱法（LC-MS）、气相色谱-质谱法（GC-MS）、核磁共振法（NMR）、元素指纹分析以及稳定同位素分析[4]、[5]、[6]、[7]。这些方法虽能提供详细的化学信息，但需昂贵仪器、复杂的样品预处理流程以及较长的分析时间，限制了其在大规模或常规种子筛选中的应用。

高光谱成像技术为种子分析提供了另一种解决方案。该技术无需接触或损坏样本即可同时获取光谱与空间信息[8]、[9]。高光谱成像能够记录连续波长范围内的反射率信息，从而捕捉与化学成分和表面结构相关的细微差异[10]。研究人员已将高光谱成像广泛应用于农业和食品分析领域[11]、[12]。近期有研究将高光谱成像与深度学习方法相结合，以提升分类性能。Zhang等人[13]利用高光谱数据与深度卷积神经网络评估小麦种子质量，其模型在验证数据集上的准确率达93.8%。Zhu等人[14]提出了一种基于MAC-seq2seq模型的玉米种子活力检测方法，准确率可达97.62%。Tang等人[15]开发了融合光谱与空间特征的双注意力网络，该模型在水稻种子分类任务中的准确率为94.87%。这些研究表明，深度学习方法能够有效从高光谱数据中提取具有区分度的信息。尽管取得了这些进展，许多深度学习模型仍面临实际应用挑战：它们通常需要庞大的训练数据集，较小的样本量容易引发过拟合问题；此外，许多模型表现为“黑箱”，其决策过程难以解释，这降低了用户信任度，也限制了深度学习模型在实际种子检测场景中的应用。

此外，不同大豆品种的外观往往极为相似，近红外吸收特征也存在重叠，其细微的品种差异通常分布在多个波长区域，而非集中在单一光谱带中。因此，基于高光谱数据的大豆种子识别属于一个复杂的多类非线性分类问题，且线性可分性较低。为解决这类问题，纠错输出码支持向量机将多类分类问题转化为多个二元分类子问题，并通过编码矩阵设计提升类别间的可分性[16]。不过，这类方法的性能在很大程度上取决于编码矩阵的合理性以及各个二元分类器的区分能力。集成学习算法通过整合多个弱学习器，提升模型的稳定性与泛化能力，从而在一定程度上改善非线性数据集的分类性能[17]。然而，这些方法通常依赖于手工设计的特征提取方式或有限的光谱表示，难以充分捕捉密集分布的高光谱带之间的长距离依赖关系与协同变化。Mamba模型则采用基于状态空间的序列建模方法，这种结构能够在控制计算成本的同时，同时捕捉局部模式与长距离依赖关系[18]、[19]。已有研究人员将基于Mamba的模型应用于高光谱图像分析，结果显示其特征融合与分类性能有所提升[20]、[21]。这些结果表明，状态空间模型为光谱序列建模提供了良好的发展方向。模型可解释性也是另一个重要问题。SHAP方法能够衡量每个输入特征对最终预测的贡献程度[22]、[23]。该方法为各个光谱带分配贡献值，帮助研究人员了解模型是如何利用光谱信息的。SHAP分析还有助于降低深度学习模型的“黑箱”特性，促进更透明的决策制定[24]。

本研究提出了一种用于大豆高光谱分类的Bi-Mamba模型。该模型通过正向与反向两个方向处理光谱信息，从而捕捉互补的、与波长相关的特征。为验证其适用性与分类优势，本研究在不同数据规模下将Bi-Mamba模型与线性模型、机器学习模型以及深度学习模型进行了对比，并系统评估了这些模型的性能与稳定性（见图1）。此外，还通过SHAP分析将模型预测结果与具有物理意义的吸收特征联系起来，进一步提升分类结果的可解释性。本研究的主要贡献包括四个方面：首先，研究了Bi-Mamba模型在大豆近红外光谱分类中的应用效果，提升了模型对局部光谱变化及长距离波长依赖关系的建模能力；其次，提出了一种基于峰值的Patchify策略，通过滑动窗口与加权机制突出关键吸收区域；第三，建立了基于SHAP的解释框架，阐明了与O-H、N-H以及C-H基团相关的典型吸收带如何影响分类结果；最后，将光谱分类结果在图像层面可视化，便于直观了解模型的性能。

章节节选

样本准备1

本研究使用了由中国江苏省徐州市徐州市农业科学研究所提供的12个大豆种子品种。所有样本均来自江苏省长江流域地区，因此各品种的生长条件较为一致。所选大豆品种包括徐豆18、徐豆27、南农47、南农60、沈豆3、沈豆4、沈豆5、淮豆13、淮豆21、淮豆23、苏豆27以及冠豆6。收获后，

光谱分析

本研究分析了12个大豆品种在近红外区域的光谱差异，图S2展示了1000–2000纳米波长范围内的平均反射率光谱及其对应的标准差分布。在1200纳米左右，所有大豆样本都呈现出明显的吸收特征，这一特征主要源于-CH?和-CH?基团中C-H伸缩振动的第一泛频，而这些基团与脂肪成分相关，反映了不同品种之间油含量的差异

结论

本文提出了一种专为高光谱图像设计的Bi-Mamba分类网络，该网络通过引入双向状态空间建模来优化特征表示。通过正向与反向两个方向对光谱信息进行建模，该方法不仅能够捕捉精细的光谱变化，还能强化跨光谱带的关联特征表达。这样的设计有助于更有效地整合和呈现高光谱数据中的关键吸收特征

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢

本研究得到了国家重点研发计划（编号：2022YFF1100801）的支持。

关于写作过程中生成式AI与AI辅助技术的声明

在撰写本论文时，作者使用了ChatGPT工具来提升论文的可读性。在使用该工具/服务后，作者对内容进行了必要的审核与修改，并对论文内容的真实性承担全部责任。