基于模式解耦表示学习的柑橘商业品种识别

《Food Control》:Identification of citrus commercial varieties with pattern decoupling representation learning

【字体: 大 中 小 】 时间:2026年06月18日 来源:Food Control 6.3

编辑推荐:

  文新龙|王子安|王强|张博|吴丹|孙杰森|宋伟|朱荣波|程云江 中国湖北省武汉市华中农业大学信息学院,430070 摘要 准确评估柑橘商业品种对于建立合理的柑橘定价体系至关重要。然而在实际中,即便属于同一植物学品种的柑橘,在不同产区种植时也会因为地域性的品质差异和市

  文新龙|王子安|王强|张博|吴丹|孙杰森|宋伟|朱荣波|程云江
中国湖北省武汉市华中农业大学信息学院,430070

摘要
准确评估柑橘商业品种对于建立合理的柑橘定价体系至关重要。然而在实际中,即便属于同一植物学品种的柑橘,在不同产区种植时也会因为地域性的品质差异和市场定位不同而被视为不同的商业品种。这种复杂的分类结构导致了光谱特征的重叠与环境因素的共变,使得准确识别柑橘商业品种变得极为困难。为解决这一问题,本文提出了一种基于模式解耦的近红外光谱表示学习模型(PD-NIRL),用于对80个柑橘商业品种进行分类。该模型包含基于向量量化的柑橘模式量化模块(CPQ)和基于正交分解的柑橘特性分解模块(CPD)。CPQ通过最大池化技术抑制光谱特征中的细节信息,将特征映射到有限的代码本中,从而将复杂的光谱数据转化为更易于区分的模式特征。CPD则在正交分解过程中引入互信息约束,确保有意义特征与无关特征之间的相关性较低。实验结果表明,将柑橘模式特征与有意义特征分别编码到不同的特征空间中,能够显著提升柑橘商业品种识别的准确性,达到了85.24%的准确率,充分体现了PD-NIRL的应用潜力。

引言
柑橘商业品种识别对于构建可靠的柑橘定价体系具有重要意义。要想实现精准识别,提取具有高度表达能力的光谱特征至关重要。传统的光谱表示学习模型结合了预处理技术(Kim等人,2023;Semyalo等人,2024)、变量选择方法(Chanachot等人,2023;Xia等人,2020;Xu等人,2024;Zheng等人,2023)以及线性建模技术(Shi、Li等人,2024),在许多光谱分析任务中取得了优异的性能(Ahmed等人,2025;Yu等人,2025;Zhang & Yang,2024)。但在实际柑橘商业品种分类中,即便属于同一植物学类别的品种,由于地域性品质差异、市场差异化需求以及品牌建设需要,也常常被视作不同的商业品种。这种复杂的品种分类结构导致光谱数据与目标标签之间存在复杂的非线性关系,进而大幅降低了识别精度(Singh & Domijan,2019)。

为更好地捕捉非线性的光谱特征,近年来基于深度学习的方法逐渐受到重视。现有的方法大致可分为序列建模方法(Bai等人,2024;Buzpinar等人,2025;Qiao等人,2025)和卷积建模方法(Li等人,2024;Yang等人,2024;Zhang等人,2019;Zhu等人,2025)。鉴于光谱数据在不同波长带之间存在固有的顺序性,序列建模方法被用来捕捉光谱序列中的长距离依赖关系(Qiao等人,2025)。然而,与传统的时间序列数据不同,近红外光谱数据在不同波长带之间不存在严格的因果关系(Be?等人,2022、2025),这一特点带来了偏差,限制了序列建模在光谱表示学习中的应用效果。因此,大多数最先进的方法仍然依赖于一维卷积神经网络(1D-CNN)。

卷积建模方法侧重于提取局部和层次化的光谱特征。例如,DeepSpectra采用三层1D-CNN结构,并通过可调的感受野来提取光谱特征(Zhang等人,2019)。PeachCNN则堆叠了七层1D-CNN,以同时捕获低层次和高层次的光谱特征,用于桃子品种的分类(Rong等人,2020);而JujubeCNN则结合了级联的1D-CNN、批量归一化以及池化层,以实现枣子样本的精准溯源识别(Li等人,2024)。更为先进的模型,如DSCformer(C. Li、Song等人,2025)、CAMTM(Zhu等人,2025)以及AGOTNET(Yang等人,2024),则进一步将卷积结构与全局建模或注意力机制相结合,以强化局部和全局的光谱特征提取能力。这些研究都证明了基于深度学习的方法在从原始光谱中提取高表达能力光谱特征方面的巨大潜力。

不过,这类方法忽视了柑橘品种的多样性以及其内部成分与环境因素之间的共变性(Wu等人,2018),这在柑橘商业品种识别中带来了两大挑战。首先,由于无性繁殖的普遍存在以及物种间的杂交能力,柑橘品种在种群内部表现出极高的多样性以及复杂的遗传关系(Khan等人,2024;Nguyen等人,2025)。这意味着,在面对大量柑橘品种时,各种品种之间的光谱差异很容易被由常见化学成分主导的光谱结构所掩盖,从而导致显著的光谱重叠现象。其次,柑橘果实中的化学成分(如糖类、蛋白质、脂类和蜡质)会受到其生长地生态条件的强烈影响(Li等人,2025)。因此,它们的近红外光谱会表现出明显的环境共变性。即便属于同一品种,来自不同产地的光谱数据也可能因为微量成分的差异而出现变化,表现为次级谱带或细微特征的差异。这些挑战意味着,从统一特征空间中提取的光谱特征会受到品种差异和环境共变性的不对称干扰,从而导致特征结构的混乱,最终阻碍模型的性能提升。

为详细展示上述挑战,本研究收集了来自浙江省衢州和湖南省邵阳的‘本间丸’网纹柑橘的光谱数据(蓝线),以及来自四川省成都和湖北省十堰的‘春见’和‘白露’网纹柑橘的光谱数据(红线和绿线)。如图1所示,这些光谱的均值和标准差曲线被绘制出来。实验结果显示,‘春见’和‘白露’的光谱在900-1350纳米波长范围内存在显著的重叠现象;而在其他波长带,则可以观察到明显的品种特征,表现为峰值位置和形状的差异。为应对这种干扰,我们提出了一种基于向量量化的方法,用于提取柑橘品种的模式特征。通过将光谱数据划分为不同的模式簇,可以有效提取出具有高度区分度的品种模式特征,同时抑制由光谱重叠带来的干扰。

此外,同一品种在不同产地之间的光谱差异通常表现为局部的微小强度波动,而非全局性的结构变化,这使得模型很难准确捕捉到这些差异。鉴于这些全局性结构对模型最终预测的贡献极小,我们设计了一种可训练的正交分解策略,将光谱特征分解为有意义特征和无关特征。该策略能够在训练过程中自适应地学习特征之间的正交关系。

总体而言,本研究聚焦于近红外光谱表示学习,探索了提取模式特征和有意义特征的方法,旨在实现更准确的柑橘商业品种识别。本文的主要贡献如下:
(1)针对柑橘商业品种识别任务,设计了一种基于模式解耦的近红外光谱表示学习模型(PD-NIRL)。该模型包含两个核心模块:柑橘模式量化模块(CPQ)和柑橘特性分解模块(CPD)。据我们所知,这是首个专为柑橘商业品种识别任务设计的模型,为提取复杂的光谱特征提供了新的方法。
(2)为应对第一项挑战,提出了基于向量量化的CPQ模块。其核心思路是通过最大池化技术抑制光谱特征中的细微扰动,从而提升向量量化的离散化能力,进而提高模型对不同模式特征的量化能力。
(3)为解决第二项挑战,设计了基于正交分解的CPD模块。具体而言,该模块通过引入互信息约束,确保有意义特征与无关特征之间的相关性较低,同时增强有意义特征对识别任务的贡献,从而有助于提取出具有高度区分度的特征。
(4)本研究还开发了一款专用于柑橘的近红外光谱采集设备,用于收集本研究所需的光谱数据,即HZAU-MAS数据集。所提出的PD-NIRL模型在该数据集上进行了测试,与现有的最先进深度学习模型相比,其识别精度提升了1.71%。此外,我们还证明了该模型在其他芒果品种分类任务中的通用性。

本文的其余部分安排如下:第2节介绍了数据来源、光谱采集仪的详细信息以及PD-NIRL模型的整体结构;第3节阐述了实验设置、实验结果以及用于验证PD-NIRL有效性的对比分析;最后,第4节给出了研究结论。

材料与方法
本节介绍了用于柑橘商业品种识别的数据集及方法,并详细描述了所提出的PD-NIRL模型的架构。

实验结果与讨论
为验证所提出的PD-NIRL模型的有效性,我们进行了大量实验,获得了诸多有价值的成果。本节将介绍研究的主要结果。首先,3.1小节介绍了用于对比的基准模型。3.2小节则在自行构建的HZAU-MAS柑橘商业品种识别数据集上,将该模型的性能与最新的最先进方法进行了比较。此外,为了评估PD-NIRL在其他水果品种分类任务中的通用性,还对其在芒果数据集上的表现进行了测试。

结论
本研究提出了用于柑橘商业品种识别的PD-NIRL模型,该模型通过将柑橘模式特征和有意义特征分别提取并编码到不同的特征空间中,成功实现了对柑橘光谱特征的高效提取。在HZAU-MAS数据集上,该模型的性能优于那些将光谱特征编码到单一特征空间中的现有模型,显著提升了识别精度。此外,在外部芒果数据集上的实验结果也表明,该模型具有良好的通用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号