利用高光谱成像与双域Mamba网络对劣质玉米籽粒进行分类

《BMC Plant Biology》：Classification of unsound maize kernels using hyperspectral imaging and a dual-domain Mamba network

　　

摘要

准确识别有缺陷的玉米籽粒对于可靠地评估谷物质量以及储存期间的安全管理至关重要。然而，籽粒各组成部分的光谱差异以及复杂的形态特征给传统检测方法在精细识别方面带来了巨大挑战。在本研究中，我们提出了一种基于高光谱成像的双域Mamba网络（DDM-Net）用于识别有缺陷的玉米籽粒。同时，我们还构建了一个专门的高光谱数据集SS-M-Dataset V1，以支持模型训练和系统评估。DDM-Net通过光谱维度和空间维度对高光谱数据进行处理，从而获得结构化的光谱-空间表示。光谱分支采用了分层特征提取模块（HFEM），以增强带间相关性建模和分层光谱特征提取能力；空间分支则运用了频率辅助Mamba块（FMB），用于捕捉长距离的空间依赖关系和全局上下文信息。此外，还引入了多层特征融合模块（MFFM），用于整合光谱特征和空间特征，实现跨域表示学习。最终分类是通过自适应混合池化操作后再经过全连接层来完成的。在SS-M-Dataset V1上的实验结果表明，DDM-Net的总体准确率为99.5%，精确率为99.1%，Kappa系数为99.3%，分别比第二好的方法高出0.6%、0.7%和0.5%。这些结果证明了DDM-Net在精细识别谷物籽粒方面的有效性及其应用潜力，同时也为未来的高光谱种子分析研究提供了参考数据集。