小麦籽粒与面粉多形态尺度下面粉蛋白含量的域自适应建模

《Current Research in Food Science》：Domain-Adapted Modeling of Wheat Protein Content Across Grain and Flour Morphological Scales

　　

准确高效估算谷物蛋白含量（GPC）对小麦品质分级与加工品质评价至关重要。由于籽粒与面粉在物理结构与光学散射特性上的差异，单一形态下建立的模型跨形态泛化性能有限，难以兼顾快速品质评价与溯源的一体化检测需求。研究人员构建了一种跨形态迁移学习框架，实现籽粒与面粉间GPC的双向高精度协同预测，从而有效克服模型对样本形态的依赖。该研究利用籽粒与面粉高光谱数据开展GPC预测，提取原始反射率（OR）光谱与小波特征（WF）表征光谱信息；采用Pearson相关分析、二维相关光谱（2D-COS）与变量投影重要性（VIP）分析评估特征相关性；针对籽粒与面粉间光谱差异，提出基于小波特征增强Wasserstein距离对抗神经网络（WF-WDANN）的跨形态迁移学习框架。结果表明，WF与GPC的相关性优于OR特征；所提WDANN模型在籽粒上最高达R2=0.97、NRMSE=0.21%，在面粉上最高达R2=0.99、NRMSE=0.19%；跨形态迁移中，籽粒到面粉独立验证平均R2=0.97、RMSE=0.35%、NRMSE=0.17%，面粉到籽粒平均R2=0.96、RMSE=0.32%、NRMSE=0.15%。研究证明，小波特征表示与对抗迁移学习融合显著提升了不同样本形态下GPC预测性能，为小麦加工链快速品质评价提供了鲁棒且形态无关的算法路径。

研究背景方面，小麦作为全球重要主粮，其谷物蛋白含量（Grain Protein Content，GPC）是决定营养品质与面粉加工性能的关键指标。籽粒因膨胀、收缩或破裂等形态不稳定性使GPC易受环境因素干扰，面粉虽形态稳定但制粉过程改变了籽粒内GPC分布且估算效率滞后，因此传统做法是对籽粒和面粉分别建标，导致重复建模、标定成本高、产销链数据难以共享。近红外高光谱在籽粒与面粉尺度质量监测中广泛应用，但原始反射率（Original Reflectance，OR）受噪声与外部干扰严重；连续小波变换（Continuous Wavelet Transform，CWT）可抑制噪声并保留多尺度特征，二维相关光谱（Two-Dimensional Correlation Spectroscopy，2D-COS）能揭示分子级变化，变量投影重要性（Variable Importance in Projection，VIP）可量化特征贡献。跨形态光谱差异源于粒径、散射与水分异质性造成的域偏移（Domain Shift），无监督域适应（Unsupervised Domain Adaptation，UDA）中的对抗方法如域对抗神经网络（Domain Adversarial Neural Network，DANN）可对齐特征分布，但常规DANN用二分类损失衡量域差异不够平滑，引入Wasserstein距离（Wasserstein Distance）配合梯度惩罚（WGAN-GP）能更稳定地量化分布距离。该研究由河南农业大学农学院研究人员发表于《Current Research in Food Science》，旨在首次实现小麦籽粒与面粉形态间GPC预测的跨域模型迁移。

关键技术方法上，研究人员采集2022年河南、山东、黑龙江三地347份籽粒与320份面粉样本，并以2023年三地各120份籽粒与面粉作独立验证；GPC按GB/T 5511-2008凯氏定氮法以氮含量乘5.7计算。光谱用FieldSpec 4地物光谱仪在暗室350–2500 nm采集，经辐射定标取10次平均得OR，再以Gaussian4母小波8尺度CWT提取WF。特征筛选联合Pearson相关、CWT增强的2D-COS与PLSR的VIP（阈值≥1）。基模型为偏最小二乘回归（Partial Least Squares Regression，PLSR）与粒子群优化随机森林回归（Particle Swarm Optimization-Random Forest Regression，PSO-RFR）；迁移方法对比CORAL、TCA（Transfer Component Analysis）、DANN及提出的WF-WDANN——后者由三层全连接特征提取器（256-128-64）、回归头（32-16-1）与域判别器（64-32-16-sigmoid）组成，域判别损失用Wasserstein距离加WGAN-GP，整体目标为回归损失减域损失，Adam优化200 epoch。分布对齐效果用t-SNE与最大均值差异（Maximum Mean Discrepancy，MMD）量化。

研究结果部分，3.1节光谱变异分析显示籽粒OR主峰位于370、875、945、1110、1300、1660、1860、2020、2230 nm，WF在NIR与SWIR变异性更强且t-SNE聚类分离优于OR，面粉WF在1890 nm与2240 nm附近峰值更强。3.2节Pearson与2D-COS分析表明WF与GPC在1378–1400 nm、1669–1688 nm、1844–1881 nm、2240–2245 nm等区间R²>0.4，籽粒最高相关在1685 nm（R²=0.64），面粉最高在2084 nm（R²=0.61）；CWT-2DCOS比OR-2DCOS在NIR/SWIR峰更密，敏感区含1000 nm、1350 nm、1800 nm、1900 nm、2400–2500 nm。3.3节VIP筛选得OR共24带、WF共101特征满足VIP≥1，籽粒WF最高VIP=3.63（2493 nm），面粉WF最高VIP=6.68（2493 nm）。3.4节单形态建模中面粉PSO-RFR-WF达R²=0.95、RMSE=0.48%，籽粒PSO-RFR-WF达R²=0.83、RMSE=0.85%；直接跨形态迁移R²仅0.11–0.26。3.5节迁移模型中WF-WDANN最优，籽粒→面粉5折交叉R²=0.92、RMSE=0.23%，面粉→籽粒R²=0.92、RMSE=0.25%；TCA类与CORAL类依次递减。3.6节2023独立验证集上WF-WDANN籽粒→面粉R²=0.97、RMSE=0.35%、NRMSE=0.17%，面粉→籽粒R²=0.96、RMSE=0.32%、NRMSE=0.15%。3.7节跨产区验证（两省训练一省验证）平均R²籽粒→面粉0.96、面粉→籽粒0.93。3.8节t-SNE与MMD显示原始籽粒-面粉MMD=1.85，TCA后0.74，WF-WDANN后降至0.21，证实对抗域对齐最有效。

讨论部分指出，籽粒与面粉敏感谱带在NIR/SWIR高度重叠（如1000 nm对应C-H/N-H三倍频、1800–2000 nm对应N-H振动），但面粉因粒径细匀、Mie散射弱、光程短而信号稳，故单形态精度高于籽粒；PSO-RFR因捕捉非线性优于线性PLSR。跨形态直接迁移失败源于形态域偏移，WF通过多尺度去噪凸显1245 nm与1390 nm独有峰，比OR更适合迁移；TCA仅做核子空间线性对齐，WDANN则以特征提取器、回归器、域判别器对抗联合优化，并用Wasserstein距离替代二分类损失，梯度更平滑、分布对齐更准，故解决LL/HL组过估欠估问题。应用上籽粒→面粉迁移可减少制粉端重标，面粉→籽粒迁移支持原料溯源与历史面粉库反推籽粒品质，降低全产业链标定成本。局限在于样本仅限三省两年，未覆盖更多品种与作物，高光谱仪器成本与深度学习算力也限制嵌入式部署。

结论部分翻译浓缩如下：为提升小麦多样本形态下GPC监测精度并构建通用估算模型，研究人员融合Pearson相关、2D-COS、VIP与WF-WDANN。PSO-RFR结合WF本身已具鲁棒性，但耦合WDANN后泛化与精度显著提升；WDANN在籽粒上最高R²=0.97、NRMSE=0.21%，面粉上R²=0.99、NRMSE=0.19%；基于WF-WDANN的跨形态双向迁移在独立验证中籽粒→面粉R²=0.97、NRMSE=0.17%，面粉→籽粒R²=0.96、NRMSE=0.15%，t-SNE证实其有效对齐跨域特征分布。结果表明，先进光谱特征提取与域自适应深度学习融合可实现准确且形态无关的GPC预测，为可扩展高效谷物品质监测提供路径。