《Plants》：Dual-Level Probability Consistency FS-PFCE for Robust Transfer Classification of Rice Seed Vigor Using Near-Infrared Hyperspectral Imaging
编辑推荐：
水稻种子活力是评价种子质量和发芽能力的重要指标。近红外高光谱成像（Near-Infrared Hyperspectral Imaging, NIR-HSI）技术在种子活力评估中展现出巨大潜力。然而，不同水稻品种之间通常存在显著的光谱分布差异，导致迁移分类性能下
水稻种子活力是评价种子质量和发芽能力的重要指标。近红外高光谱成像（Near-Infrared Hyperspectral Imaging, NIR-HSI）技术在种子活力评估中展现出巨大潜力。然而，不同水稻品种之间通常存在显著的光谱分布差异，导致迁移分类性能下降。此外，在小样本条件下，模型难以充分学习不同品种间的共享判别信息，造成迁移泛化能力受限，从而制约了其在跨品种农业场景中的应用。本文中，研究人员提出了一种新颖的双层次概率一致性全监督参数无关校准增强框架（Dual-Level Probability Consistency Full-Supervised Parameter-Free Framework for Calibration Enhancement, DPC-FS-PFCE）模型，利用近红外高光谱成像实现多个水稻品种种子活力的稳健迁移分类。研究共使用来自三个水稻品种的900份种子样本，以600份春优83（Chunyou83）样本作为主数据集（master dataset），以中组53（Zhongzu53）和中早39（Zhongzao39）各150份样本作为从数据集（slave dataset）；在中组53、中早39及其混合数据集（MIX）上评估迁移性能。研究人员探究了不同的概率一致性损失策略，以实现全局和局部概率信息的联合利用。此外，引入了多类权重方向一致性约束（multi-class weight direction consistency constraint），以增强主模型与从模型之间的参数对齐和知识迁移。结果表明，利用春优83数据集建立的主模型通过DPC-FS-PFCE迁移模型在中组53、中早39和混合MIX数据集上分别取得了93.33%、88.89%和87.78%的分类准确率。与直接迁移（Direct Transfer）方法相比，所提方法分别将分类准确率提高了11.11%、13.33%和8.89%。此外，该模型在不同主数据集比例和复杂数据场景下均展现出更稳定的迁移分类性能。所提出的DPC-FS-PFCE方法有效提升了水稻种子活力评估的跨品种迁移分类能力，为农作物种子无损质量评价提供了一种有前景的技术途径。
**论文解读：双层次概率一致性DPC-FS-PFCE模型用于近红外高光谱成像水稻种子活力跨品种稳健迁移分类**
**一、研究背景与问题提出**
水稻是全球最重要的粮食作物之一，也是中国的主要口粮作物，对全球粮食供应和可持续农业发展具有重要意义。种子活力（seed vigor）是评价种子质量的关键指标，直接影响种子的发芽率、幼苗生长和最终产量。因此，实现水稻种子活力的无损准确检测对良种筛选和种子分级至关重要。传统的种子活力评估方法主要包括标准发芽试验（standard germination test）、染色法和电导率测定法。尽管这些方法精度较高，但存在检测周期长、劳动成本高和破坏性操作等局限，难以适用于大规模快速评价。
近红外光谱（Near-Infrared Spectroscopy, NIRS）和高光谱成像（Hyperspectral Imaging, HSI）技术因其快速、无损和可获取丰富光谱信息的优势，已被广泛应用于农产品质量评价。近年来，机器学习和深度学习方法的进展进一步增强了NIRS和HSI技术从光谱数据中提取判别信息的能力。然而，在实际应用中，不同品种的水稻种子之间存在显著的光谱差异，而采集环境、仪器条件和批次效应等因素的变化会进一步引起数据分布上的显著偏移。这些跨品种光谱差异与种子形态、内部组织结构和生化组成的变异密切相关。种子种皮特性和内部结构差异可能影响近红外辐射的散射和传播行为，而水分、淀粉、蛋白质和脂质含量的变化则可能改变与O-H、C-H和N-H键相关的吸收特征。因此，针对某一水稻品种建立的模型在直接应用于其他品种时，其泛化性能往往会下降。这种跨数据集分布差异导致基于单一数据集训练的模型在应用于新数据集时性能显著退化，成为制约NIR-HSI种子活力检测技术实际应用的关键挑战之一。
**二、研究内容与重要意义**
为应对上述挑战，研究人员提出了一种双层次概率一致性全监督PFCE（DPC-FS-PFCE）模型，用于利用NIR-HSI实现多品种水稻种子活力的多类迁移分类。研究共使用三个水稻品种（春优83、中组53和中早39）的900份种子样本，其中春优83的600份样本作为主数据集用于建立主模型（master model），中组53和中早39各150份样本作为从数据集用于评估迁移性能，同时将两种从数据集合成为混合数据集（MIX）以模拟更复杂的光谱分布场景。不同品种的种子分别经过0 h、36 h和72 h的人工加速老化（accelerated aging）处理，以获得不同活力水平的样本，并按发芽时间划分为高活力（Class 0，≤5天发芽）、低活力（Class 1，>5–14天发芽）和无活力（Class 2，>14天未发芽）三个等级。
该研究的主要贡献在于：（1）开发了DPC-FS-PFCE模型，将原本用于光谱定量回归的FS-PFCE框架扩展至多类光谱迁移分类，为跨品种光谱迁移模型泛化能力的提升提供了新途径；（2）在目标函数中构建了双层次概率一致性（DPC）结构，融合均值概率一致性（Mean Probability Consistency, MPC）和样本概率一致性（Sample Probability Consistency, SPC），为缓解品种间光谱分布差异导致的迁移性能退化提供了新的解决方案；（3）设计了不同主数据集比例下的迁移策略，在有限规模主数据集条件下实现了稳健的模型迁移，为小样本数据的光谱迁移应用提供了理论支撑。
**三、关键技术方法概要**
本研究所用的核心技术方法包括：（1）人工加速老化处理：在40°C、99%相对湿度条件下，对三个水稻品种分别进行0 h、36 h和72 h的加速老化，以模拟种子自然劣变过程中的生理生化变化；（2）NIR-HSI数据采集：采用FX17近红外高光谱相机（光谱范围900–1700 nm，平均光谱分辨率8 nm），以推扫成像模式采集种子高光谱图像，并进行黑白参考校正；（3）标准发芽试验：按照GB/T 3543.4-2025标准进行14天发芽试验，以第5天和第14天为分类阈值将种子划分为三个活力等级；（4）光谱预处理：采用Savitzky–Golay（SG）平滑（窗口长度15，多项式阶数5）和标准正态变量变换（Standard Normal Variate, SNV）对原始光谱进行去噪和归一化处理；（5）DPC-FS-PFCE建模：用Softmax输出层和多类交叉熵损失（cross-entropy loss）重构FS-PFCE从回归到分类的学习目标，构建融合MPC和SPC的双层次概率一致性损失，并引入多类权重方向一致性约束以维护主从模型参数空间的类别判别结构一致性，采用序列最小二乘规划（Sequential Least Squares Programming, SLSQP）算法进行约束优化；（6）对比方法：以随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和支持向量分类器（Support Vector Classifier, SVC）作为基线模型进行直接迁移对比。
**四、主要研究结果**
**（1）传统分类器直接迁移性能比较**
研究人员将RF、XGBoost和SVC三种传统分类器在春优83主数据集上训练后直接迁移至三个从数据集进行评估。在中组53数据集上，SVC取得了最高的准确率86.67%和F1-score 80.00%。然而，迁移至中早39和MIX数据集时，各分类器均出现不同程度的性能下降，SVC的准确率分别降至75.56%和80.00%。结果表明，传统分类模型受主从数据集间光谱分布差异影响较大，难以保持稳定的迁移分类性能。
**（2）总体迁移分类性能**
研究人员比较了主模型（Master Model）、直接迁移（Direct Transfer）、从模型（Slave Model）和DPC-FS-PFCE四种方法的性能。DPC-FS-PFCE在所有三个从数据集上均取得了最优分类性能。在中组53数据集上，DPC-FS-PFCE的准确率达到93.33%，较主模型、直接迁移和从模型分别提高了13.89%、11.11%和8.89%；在中早39数据集上，准确率为88.89%，较直接迁移（75.56%）提高了13.33%；在光谱分布更为复杂的MIX数据集上，准确率为87.78%。混淆矩阵分析进一步表明，高活力种子（Class 0）在各从数据集和主样本比例下均保持了较高的识别准确率，而低活力（Class 1）和无活力（Class 2）之间的混淆现象在MIX数据集中更为明显，这与两者在生理状态和光谱响应上的相似性有关。
**（3）主样本比例对迁移性能的影响**
研究人员分别选取100%、80%和60%的主数据集样本训练主模型，比较MPC-FS-PFCE、SPC-FS-PFCE和DPC-FS-PFCE三种概率一致性策略的性能。总体上，三种策略在不同主样本比例下均保持了较好的迁移性能，但随着主样本比例降低和从数据集光谱分布复杂度变化，策略间的性能差异逐渐显现。在MIX数据集上，当使用100%主样本时，SPC-FS-PFCE和DPC-FS-PFCE的准确率均较MPC-FS-PFCE提高了6.67%，表明在包含多品种光谱信息的复杂迁移场景中，引入样本级概率一致性约束可进一步增强模型对光谱特征变化的适应性。当主样本比例降至80%和60%时，DPC-FS-PFCE在不同条件下均展现出更稳定的迁移能力。
**（4）不同主样本比例下的鲁棒性分析**
在不同主样本比例条件下，DPC-FS-PFCE在三个从数据集上均保持了稳定的性能，分类准确率的波动幅度始终较小。对于中组53数据集，三种策略的分类准确率随主样本比例增加总体呈上升趋势并逐渐收敛；对于中早39数据集，三种策略的变化幅度均较小；而对于包含两个品种光谱信息的MIX数据集，MPC-FS-PFCE呈持续下降趋势，SPC-FS-PFCE出现明显波动，而DPC-FS-PFCE始终保持较高的分类准确率且变化范围最小。
**（5）迁移光谱特征的可解释性分析**
研究人员采用光谱贡献分析对DPC-FS-PFCE模型在三个从数据集上的预测进行解释。结果表明，模型主要关注约940–970 nm、1180–1300 nm、1400–1480 nm和1680–1700 nm的光谱区域。940–970 nm区域与O-H和C-H的高阶倍频吸收相关，可反映水分和有机组分的变化；1180–1300 nm区域通常与C-H相关吸收有关，可反映碳水化合物、脂质等有机贮藏物质的变化；1400–1480 nm区域与O-H和N-H倍频吸收相关，可能对水分、淀粉和蛋白质相关组分敏感；1680–1700 nm区域主要与C-H倍频吸收有关，可反映脂质和其他有机贮藏物质的变化。这些结果表明，DPC-FS-PFCE能够在不同品种和混合数据集条件下保留与种子活力相关的具有生理生化意义的光谱信息。
**（6）权重系数α的敏感性分析**
研究人员在α=0.25、0.50和0.75三种设置下进行敏感性实验。结果表明，模型在不同从数据集和主样本比例下对α表现出不同的敏感性。在中组53数据集上，α=0.75且使用60%主样本时取得最高准确率93.33%；在中早39数据集上，α的影响总体有限；在MIX数据集上，性能随α变化波动较大，反映了混合两个从品种带来的更高光谱异质性。总体而言，为MPC赋予较大权重同时保留SPC的贡献，可使模型在强调全局分布一致性的同时保留有用的样本级细节信息。敏感性分析支持了α=0.75这一权重方案的选择。
**五、讨论与结论**
**讨论部分总结：** 水稻种子活力检测本质上是一项涉及生理变异和光谱分布变化的细粒度分类任务，主要挑战在于从复杂近红外光谱信息中提取与活力状态相关的判别特征，并将这些知识跨品种迁移。FS-PFCE框架最初为近红外光谱定量分析而开发，本研究将其回归损失替换为多类交叉熵损失，将迁移优化过程从连续值拟合转变为类别概率判别，同时保留了回归系数相关性约束以维持从主模型学到的有效结构信息。在此基础上，研究人员发展了MPC和SPC两种概率一致性策略：MPC维护主从模型间的全局概率分布一致性以保留整体类别结构关系，SPC约束样本级预测概率变化以保留局部判别信息。二者在不同迁移场景下具有互补效应，因此通过整合MPC和SPC建立DPC策略，以双层次概率一致性约束提升模型对复杂光谱变化的适应性。尽管DPC-FS-PFCE取得了较好的迁移分类性能，该研究仍存在若干局限：验证品种数量有限；活力标签主要依据标准发芽时间建立，未来可整合幼苗长度、根芽生长、生物量等多维生理指标；MPC和SPC的权重采用固定值，未来可开发基于数据分布特征的自适应权重学习策略；全波段光谱中判别信息集中在少数波长区域，未来可研究波长选择策略和降维建模；当前仅利用种子ROI的平均光谱，未能充分利用高光谱图像的空间异质性信息；光谱范围未覆盖400–900 nm，未来可拓展更宽光谱范围及光谱–空间联合建模；迁移过程中光谱特征的演化及概率一致性约束影响判别信息迁移的机制尚有待深入探索。
**研究结论翻译：** 本文中，DPC-FS-PFCE模型被成功应用于水稻种子活力的跨品种迁移分类任务。所提出的模型有效缓解了不同水稻品种间光谱分布差异对迁移性能的影响，从而提升了在从数据集上的分类稳定性和泛化能力。在模型设计方面，引入了Softmax输出层和多类交叉熵损失，建立了光谱迁移分类的统一优化框架。同时，通过以固定权重整合MPC和SPC，开发了DPC策略，实现了对全局类别结构信息和局部样本级判别信息的联合建模，从而增强了跨领域知识迁移能力。此外，多类权重方向一致性约束在共享特征空间中维护了主模型与从模型之间一致的类别判别结构，从参数角度进一步提升了迁移稳定性。实验结果表明，在涉及更高光谱复杂度和有限主模型样本的条件下，DPC-FS-PFCE模型在总体分类性能上始终优于主模型、直接迁移和从模型，同时在不同实验设置下保持了较强的稳定性和鲁棒性。尽管DPC-FS-PFCE在跨品种水稻种子活力迁移分类中的有效性已得到验证，但当前研究主要在单一高光谱采集条件下利用有限数量的水稻品种进行。未来研究应使用更多品种、更大规模数据集和更复杂的数据分布进一步评估该模型的适用性。总体而言，DPC-FS-PFCE通过整合参数结构迁移与概率一致性约束，为近红外高光谱数据的跨品种分类提供了一种新的解决方案。研究结果表明，通过利用主模型与从模型之间的共享特征和分布信息，可在有限标记样本条件下实现稳定的迁移分类。本研究为小样本农业高光谱种子活力检测和迁移学习应用提供了一条潜在的技术路径，也为未来基于概率一致性的光谱迁移学习研究提供了有价值的参考。
