《Smart Agricultural Technology》：Narrow-leaved lupin seed variety identification with weighted ensemble soft voting technique
编辑推荐：
窄叶羽扇豆（Lupinus angustifolius）因高蛋白含量、在人类食品及家畜饲料中的应用以及通过固氮改善土壤肥力的能力，是澳大利亚重要的豆类作物。羽扇豆品种在生产适应性和品质特征方面存在差异，影响市场偏好。因此，基于种子的快速准确品种识别对作物管理、
窄叶羽扇豆（Lupinus angustifolius）因高蛋白含量、在人类食品及家畜饲料中的应用以及通过固氮改善土壤肥力的能力，是澳大利亚重要的豆类作物。羽扇豆品种在生产适应性和品质特征方面存在差异，影响市场偏好。因此，基于种子的快速准确品种识别对作物管理、育种、种子质量评估和营销具有重要意义。然而，许多羽扇豆品种表现出高度相似的视觉特征，使得人工识别困难且耗时。本研究旨在开发并评估利用RGB图像进行自动化羽扇豆品种种子识别的深度学习（Deep Learning, DL）技术。为此，研究人员创建了一个包含12个独特羽扇豆品种的数据集，包括PBA Barlock、Tanjil、PBA Gunyidi、Mandelup、Jenabillup、Quilinock、PBA Jurien、Unicrop、Coromup、Kalya、Rosemont和Danja，数据集包含健康和Phomopsis病害羽扇豆种子图像。研究人员使用该系统数据集训练并测试了多种深度学习模型，包括EfficientNetB0、InceptionV3、SqueezeNet、ShuffleNet、MobileNetV2、ResNet50和DenseNet121。其中，ResNet50与DenseNet121的加权集成表现优于其他模型，准确率达98.85%。结果表明，尽管存在类间相似性和类内差异性等挑战，深度学习模型仍能有效识别视觉相似的羽扇豆品种种子。所提出的集成模型为自动化羽扇豆品种种子识别提供了一种开创性方法，可通过更好地保证种子纯度，支持农民、营销人员和育种者提高作物品质。
研究背景与意义
窄叶羽扇豆（Lupinus angustifolius）作为澳大利亚尤其是西澳大利亚州最重要的豆类作物之一，具有高蛋白、非消化性淀粉及健康不饱和脂肪酸等营养优势，同时具备生物固氮能力以减少化肥依赖，其种子广泛应用于人类食品加工与家畜饲料。种子质量是农业生产的基础，品种识别对于维护遗传纯度、提升产量、支持育种计划及管理育种者权利至关重要。然而，不同羽扇豆品种间存在极高的视觉相似性（如PBA Barlock与Tanjil具有遗传相关性），且同种种子存在类内差异（如Unicrop与Kalya的斑点深浅变化）及病害（如Phomopsis）导致的表型变异，传统人工肉眼评估主观性强、耗时且易出错，分子标记法虽准但成本高、不适合大规模实时应用。现有文献中基于种子视觉外观的羽扇豆品种识别研究尚属空白。因此，研究人员在《Smart Agricultural Technology》发表该研究，旨在开发基于深度学习的自动化识别系统以解决上述痛点。
主要关键技术方法
研究人员构建了包含12个羽扇豆品种（含健康与Phomopsis病害样本，总计9632张RGB图像）的数据集，样本采集自西澳大利亚州，利用Nikon D7000配合Sigma 105mm微距镜头及iPhone 17等多设备在不同方位（基于种脐hilum的8个面）及群体规模下拍摄，采用重型纸背景与环形灯消除阴影。关键技术包括：利用YOLO11s模型进行种子检测与裁剪；图像统一预处理为224×224像素并施加随机翻转、旋转（±10°）及亮度对比度调整，采用ImageNet均值标准差归一化；使用迁移学习微调EfficientNetB0、InceptionV3、SqueezeNet、ShuffleNet、MobileNetV2、ResNet50、DenseNet121等模型，前10轮冻结骨干网，后解冻端到端训练，优化器为Adam（学习率1e-5，权重衰减1e-4），损失函数采用Focal Loss结合标签平滑（0.05）；提出基于ResNet50与DenseNet121的加权软投票（Weighted Soft Voting）集成策略，依据模型准确率分配权重聚合概率预测；评估指标涵盖准确率、精确率、召回率、F1值及混淆矩阵，并采用McNemar精确检验验证显著性。
研究结果
3. Results
研究人员对比了不同损失函数组合，证实Focal Loss+Label Smoothing在ResNet50上取得98.01%最优准确率。在单体模型中，ResNet50以98.01%准确率及17个误分类样本领先，EfficientNetB0为97.70%，DenseNet121为96.96%，而轻量级模型SqueezeNet与ShuffleNet分别仅89.01%与88.17%。集成模型中，ResNet50+DenseNet121的硬投票与软投票均达98.64%，而加权软投票集成取得最高98.85%准确率，宏平均精确率、召回率、F1值均为0.99，仅11个误分类样本。每类性能分析显示加权集成在各品种上的F1值介于0.97至1.00之间。混淆矩阵表明主要误分类发生于遗传相关的PBA Barlock与Tanjil及Kalya与Danja之间。McNemar检验得出p值为0.0078（p<0.05），证明加权集成较ResNet50的提升具统计显著性。计算成本分析显示集成模型参数量32.03M，FLOPs 7.03G，推理时间18.07ms/图，虽高于轻量模型但换取了最高精度。
讨论与结论翻译
4. Discussion
研究人员指出ResNet50通过残差学习与跳跃连接捕获整体形状纹理，DenseNet121通过密集连接关注细微特征，二者特征提取行为互补，故集成优于ResNet50+EfficientNetB0（行为相似）。分析显示两单体模型各错分17例，其中6例重合，集成纠正了其中2例原本双模型均错的样本，但仍有4例重合误分及额外5例B与T混淆残留。病害导致颜色纹理改变（如Quilinock被误判为Jenabillup）及遗传视觉相似性是导致残余误分的主因。该系统可提供前两位预测概率以增强鲁棒性，未来需在非受控环境多地域数据下验证以提升泛化性。
5. Conclusion
本研究聚焦于受控环境下利用深度学习技术从图像中自动化识别羽扇豆品种。尽管羽扇豆是重要作物，但基于种子图像的品种识别在现有文献中探索相对较少。本工作中，研究人员开发了一个包含12个羽扇豆品种的数据集，并用于评估若干深度学习模型及一种加权软投票集成方法。实验结果表明深度学习模型能有效区分视觉相似的种子品种。所提出的集成模型以98.85%的最高准确率超越所有单体模型。澳大利亚羽扇豆品种源自单一种质库，常具高遗传与视觉相似性。因此，所提方法为从种子识别羽扇豆品种提供了可靠方案。然而，本研究数据集采集于受控成像环境并使用不同采集设备（微距镜头、18–105mm套头、手机）。未来可通过扩展至不同地点、时期非受控条件下采集的更多样化数据集来改进，从而提升模型泛化性及现实适用性。
要不要我帮你把这篇论文解读里的关键专业术语（如加权软投票、Focal Loss等）整理成一个带简短解释的术语表，方便你后续查阅？
