《Foods》：Spectral-Structural Decoupled Hypergraph Neural Network for Fritillaria Species Identification Using Hyperspectral Imaging
编辑推荐：
研究人员采用近红外高光谱成像（HSI，900–1700 nm，224个波段）获取浙江产浙贝母（ZBM，Fritillaria thunbergii Miq.）与湖北产湖贝母（HBBM，Fritillaria hupehensis Hsiao et K.C. H
研究人员采用近红外高光谱成像（HSI，900–1700 nm，224个波段）获取浙江产浙贝母（ZBM，Fritillaria thunbergii Miq.）与湖北产湖贝母（HBBM，Fritillaria hupehensis Hsiao et K.C. Hsia）商品干切片的平均反射光谱，经5点移动平均平滑与标准正态变量（SNV）变换预处理后，分别构建基于一维（1D）光谱的传统机器学习（逻辑回归（LR）、支持向量分类（SVC）、极端梯度提升（XGBoost））与深度学习模型（1D-CNN、1D-ResNet18/34、Transformer、CNN-Transformer），并将1D光谱转为二维（2D）格拉姆角差场（GADF）图像后构建2D-CNN、2D-ResNet18/34；进一步基于1D光谱与GADF图像分别构造图卷积网络（GCN）与超图神经网络（HGNN）基线，最终提出光谱-结构解耦超图神经网络（SSD-HGNN）：以1D-ResNet18提取的深度光谱特征作为超图节点属性，以2D-ResNet18提取的GADF深度特征用于K近邻（K=5）超边构造，实现序列判别信息与高阶结构关系的解耦融合。结果表明，多数模型均取得满意性能，SSD-HGNN在训练集、验证集、测试集准确率分别为0.9848、0.9533、0.9441，虽测试准确率未居首，但验证集准确率最高，且有效整合了1D光谱判别特征与2D GADF结构关系，证实了谱-结构解耦超图学习策略为贝母属物种快速无损鉴别提供了具竞争力的多模态途径。
研究背景方面，浙贝母（ZBM）与湖贝母（HBBM）为贝母属高经济与药理价值药食两用种，因药效与价格差异，流通中干切片存在以低值HBBM冒充ZBM的风险；传统化学标记法破坏样品、成本高、通量低，而干燥切片削弱了肉眼可辨的形态颜色差异，故需高光谱成像（HSI）这类同时捕获空间-光谱信息的快速无损手段。研究人员以HSI获取两类商品干切片（ZBM来自浙江金华多批次、HBBM来自湖北恩施多批次，共388片有效切片，按4:1:1分层划分训练/验证/测试集）的平均反射率，去除两端噪声波段保留980–1680 nm共200波段，经移动平均与SNV预处理，系统比对了传统机器学习、1D/2D深度学习、GCN/HGNN及所提SSD-HGNN，证实HSI结合谱-结构解耦超图可竞争性地鉴别ZBM与HBBM，论文发表于《Foods》。
关键技术方法上，研究人员取ZBM（浙江金华）与HBBM（湖北恩施）商品干切片多批次样本，HSI（FX17相机，900–1700 nm）采图后经白/暗参考校正，以第100波段阈值分割+形态学运算提取切片感兴趣区（ROI）均值谱，留200波段（980–1680 nm）做5点平滑+SNV；将1D谱经格拉姆角差场（GADF）编码为200×200 RGB伪彩图；分别以1D-ResNet18、2D-ResNet18提取深度谱特征与深度GADF特征；基于余弦相似度KNN（K=5）在指定特征空间构普通图（GCN）与超图（HGNN），SSD-HGNN解耦以1D-ResNet特征为节点属性、2D-ResNet特征建超边，超图传播采用归一化关联矩阵卷积，验证/测试样本以无标签节点插入参考集推理防标签泄漏；另做谱区遮挡与超边剔除的扰动事后可解释分析。
研究结果部分，3.1光谱特征显示ZBM与HBBM经SNV后均值谱在起止端及峰谷处差异明显。3.2基于1D光谱模型结果中，SVC测试准确率0.9408居传统机器学习之首，1D-CNN（0.9479）与1D-ResNet18（0.9452）居深度学习前列，Transformer/CNN-Transformer不及卷积残差类，1D-GCN仅0.8789，而1D-HGNN中ResSpec-ResSpec-HGNN（节点与超边均用1D-ResNet特征）测试0.9425最优，证超图高阶聚合优于成对图。3.3基于GADF图像模型结果中，2D-ResNet18测试0.9321优于2D-CNN，2D-GCN仅0.8893，GADF-HGNN以ResGADF-RawGADF-HGNN测试0.9273最高，但整体未超越1D谱模型，表明GADF为互补结构表征。3.4所提SSD-HGNN模型结果中，训练/验证/测试准确率0.9848/0.9533/0.9441，验证集准确率全场最高，测试F1 0.9438，较单模态ResSpec-ResSpec-HGNN测试准确率提升0.0016，证实1D谱节点属性+GADF超边拓扑的解耦融合有效。3.5事后可解释结果显示，遮挡1617.49–1649.78 nm使真类概率降0.3990、测试准确率降0.4104最敏感，1187–1219 nm等次之；剔除个体诱导超边对89.25%测试样本真类概率有负向影响，E896等超边影响最大。3.6计算成本分析中，SSD-HGNN参数量16.5999 M、单样本推理0.3122 ms、峰值显存414.0625 MB，较原始GADF作节点属性HGNN显存降超92%，虽非最轻量但平衡了性能与资源。
讨论部分指出，HGNN以超边连多节点刻画群体高阶相似，优于GCN成对边；SSD-HGNN解耦赋权（1D谱供传播信息、GADF供传播规则）而非拼接，虽测试准确率未超1D-CNN，但验证集最高且多指标稳定；局限含单次分层切分未做重复随机/交叉验证、商品切片不可溯源至单株致切片级泄漏风险、未比简单拼接/决策融合、单设备单光照下泛化未评；作者建议未来扩种、做轻量化与跨设备校准迁移。
结论部分翻译：本研究将高光谱成像与机器学习、深度学习、图神经网络及超图神经网络结合鉴别ZBM与HBBM切片。1D光谱模型有效，1D-CNN与1D-ResNet18表现强，Transformer类未占优；GADF图作为互补结构表征而非替代1D谱；HGNN总体优于GCN，所提SSD-HGNN以1D-ResNet深谱特征为节点、2D-ResNet深GADF特征建超边，获竞争力能，验证集准确率最高（0.9533），多指标稳定，证谱-结构解耦超图融合可行；计算上16.5999 M参数、0.3122 ms/样本、414.0625 MB显存，平衡了效率与表征力，为贝母属快速无损鉴别及谱分析任务提供参考。
