一种基于Res-Inception的轻量级光谱定性分析方法

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：A lightweight spectral qualitative analysis method based on Res-Inception

　　

• 提出了一种轻量级一维光谱分类网络 DSRINet-1D，用于红外光谱定性分析。
• 设计了一种 FSWA 注意力机制，可在参数增加微乎其微的情况下增强特征表示。
• DSRINet-1D(FSWA) 在三个跨域数据集上的准确率分别达到 99.355%、98.474% 和 99.567%。
• 与 Res-Inception 相比，基础 DSRINet-1D 参数量减少 42.4%，浮点运算次数降低 94.4%，且保持准确率不变。
• 开发了一种二维光谱建模方法 DSRINet-2D，用于探索多形态光谱分析。

引言

近红外（NIR）光谱技术通过反映分子的振动能级跃迁，能够准确表征有机化合物的官能团类型和分子结构特征。凭借检测快速、无破坏性、无污染测量以及原位在线分析等技术优势，它已成为工业产品质量控制、食品药品真伪鉴别 [1]、[2]、农产品快速筛查 [3] 和环境样本分析 [4] 等的核心分析工具。其在定性判别和定量检测方面的能力，在相关产业全链路质量评价中发挥着不可替代的作用。目前，化学计量学与机器学习的深度融合已形成近红外光谱数据分析的主流技术范式。完整的光谱分析流程通常包括三个核心步骤：首先，通过光谱预处理方法 [5] 抑制基线漂移和散射噪声等无关干扰；其次，利用特征选择算法 [6] 筛选与解析目标相关的关键波长变量，以降低数据维度和冗余信息；最后，基于筛选出的特征构建多元校正模型 [7]，以完成定性分类或定量回归任务。其中，偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、随机森林（RF）、k 近邻（KNN）等方法是光谱定性分析领域应用最广泛的经典建模算法。

然而，上述传统分析方法的表现高度依赖于预处理方案和特征选择算法的定制化设计，其建模效果受到先验知识和数据集特征的显著限制。现有研究表明，不同的预处理组合和特征选择策略直接导致模型性能出现显著差异 [8]。不恰当的预处理会严重削弱模型的判别精度，而特征选择过程则不可避免地导致有效光谱信息的损失 [9]。更为关键的是，为单个数据集定制优化的预处理和特征工程方案，很难迁移到其他领域的光谱分析任务 [10]，导致模型的多域泛化能力不足，无法满足多场景通用检测的实际需求。为解决这一问题，研究人员开展了大量探索：Pan 等 [11] 将 Savitzky-Golay（SG）平滑预处理与 KNN、线性判别分析（LDA）、RF 等算法相结合，构建了陈皮产地和存放年份的判别模型；丁 YH 等 [12] 通过 SG 平滑和主成分分析（PCA）降维提取光谱特征，并结合 SVM 实现了茶叶质量等级的分类；Jin 等 [13] 采用 2T2D 自相关光谱和最小二乘支持向量机（LS-SVM）实现了牛奶掺假的定性检测。尽管上述研究在特定场景中取得了令人满意的表现，但仍未能摆脱对手工特征工程的依赖，难以自适应地捕获高维光谱数据中的复杂非线性关系，模型的通用性和鲁棒性仍有较大提升空间。

为突破传统方法的技术瓶颈，基于深度学习的光谱分析已成为当前研究的主流。依托端到端的特征学习能力，它有效摆脱了对人工先验知识的依赖，并在复杂光谱数据的非线性特征提取和模式识别方面展现出显著优势。近年来，学者们在深度学习应用于光谱定性分析方面开展了多维度探索：丁 YG 等 [14] 将特征波段选择和二维相关光谱（2DCOS）与残差卷积神经网络（ResNet）相结合，实现了多种石斛属植物的精确鉴定；Zhao 等 [15] 为多光谱数据融合设计了一种轻量级 CNN 模型，通过简化卷积结构实现了对莲子产地的高精度溯源分类，并完成了模型决策的可解释性分析；Song L 等 [16] 和 Qin YH 等 [17] 引入注意力机制优化网络特征提取，分别提高了混纺织物分类和烟草质量判别的模型准确率；Du WQ 等 [18] 将一维光谱转换为二维灰度图像，并采用二维 CNN 实现了废旧纺织品的在线分类，为光谱数据的维度扩展建模提供了新思路；Hao Y 等 [19] 探索了针对小样本光谱建模问题的各种虚拟样本生成策略，有效增强了 PLS-DA 模型的鲁棒性。

针对近红外光谱模型在便携设备上部署的需求，轻量级卷积神经网络已成为该领域的活跃研究焦点。Wang 等 [20] 开发了一种用于烟草尼古丁检测的轻量级一维 CNN 模型。通过采用堆叠卷积和批归一化，该模型相比传统化学计量学方法实现了更优的预测性能，同时降低了模型复杂度，从而证明了该架构的工程实用价值。Li 等 [21] 将 Inception 多尺度架构与 ResNet 残差模块相结合，构建了 InResSpectra 网络，有效缓解了光谱特征信息丢失的风险，并在农作物种子真伪识别中取得了优异结果。Guo 等 [22] 提出了一种基于深度可分离卷积的轻量级 DAL1DCNN 模型。通过引入注意力机制和标签平滑策略，该模型在显著减少参数量和计算成本的同时，实现了天麻品种的高精度分类，证实了深度可分离卷积在轻量级光谱建模中的技术优势。

尽管上述研究已实现光谱模型的轻量级设计，但仍存在若干局限性。首先，大多数轻量级模型仅针对单一领域内的特定任务进行优化；在不同数据集和领域之间，其泛化性能显著下降，不适用于多场景通用检测需求。其次，高精度模型往往伴随着参数量和计算复杂度的大幅增加，在计算受限的便携式光谱设备上难以部署。第三，现有的轻量级设计往往以牺牲模型精度为代价，难以在分类性能和模型轻量化之间实现高效平衡。

为应对上述挑战，本文提出了 DSRINet-1D，一种用于多领域近红外光谱定性分析的轻量级网络模型，并构建了一个兼具高准确率、强泛化能力和低计算成本的通用光谱分类框架。本文的主要贡献如下：
1. 通过集成深度可分离卷积、Inception 多尺度模块和非线性残差连接，设计了一种用于光谱特征提取的轻量级骨干网络。在自适应捕获多尺度非线性光谱特征的同时，显著减少了模型参数量和计算复杂度，实现了多域分类精度与轻量化特性的协同优化。
2. 提出了一种融合特征筛选与权重分配（FSWA）的注意力机制。通过对多尺度特征进行动态筛选和自适应权重分配，仅以微小的参数增加显著增强了模型对关键特征的表示能力，进一步解决了轻量化设计与高精度之间的平衡问题。
3. 提出了一种基于双带转换的二维光谱建模方法，即 DSRINet-2D。通过显式建模光谱波段之间的相关性，将一维光谱重构为二维矩阵形式以完成分类任务，为具有不同数据形式和应用需求的光谱分析任务提供了新的技术方案。
4. 在片剂、果汁和肉类三个跨领域公共数据集上进行了系统对比实验、消融实验和可视化分析。结果表明，DSRINet-1D(FSWA) 在三个数据集上的分类准确率分别达到 99.355%、98.474% 和 99.726%，其综合性能显著优于传统机器学习方法和主流深度学习模型，验证了所提方法的有效性和通用性。

本文其余部分组织如下：第 2 节介绍实验所用的数据集、DSRINet 的架构和核心模块、对比实验方案以及模型训练细节。第 3 节系统呈现并深入分析实验结果，以验证所提方法的分类性能、轻量化优势和模块有效性。第 4 节总结本文的研究结论并展望未来研究方向。

章节片段

数据集描述

本研究选取了 3 个来自跨学科和不同应用场景的公共红外光谱数据集，以进行模型性能验证和对比分析，涵盖医药和食品两个核心应用领域。各数据集的基本信息汇总于表 1，详细信息如下：

片剂数据集由 M. Dyrby 等 [23] 于 2002 年公开发布，由近红外（NIR）透射光谱组成

主成分分析

为确定最优主成分保留数，本研究对片剂、果汁和肉类数据集进行了系统的维度消融实验，测试了 (0,110) 范围内不同主成分数量对模型分类性能的影响。结果呈现于表 S1。实验结果表明，当主成分维度从 50 增加到 100 时，三个数据集上的分类准确率均表现出

结论

本文针对红外光谱定性分类中的核心问题——传统方法依赖人工特征选择、现有深度学习模型参数量大且计算复杂度高、多域泛化能力不足——提出了一种轻量级光谱分类模型 DSRINet-1D。通过集成深度可分离卷积、Inception 多尺度模块和非线性残差

利益冲突声明

作者声明不存在已知的竞争经济利益或个人关系，这些利益或关系可能影响本论文所报告的工作。

Gaokui Song|Nan Wang|Xinwu Yang