《Foods》:Rheological and Physicochemical Properties of Mayonnaise Enriched with Functional Vegetable Oils: A Comparative Screening Study
编辑推荐:
大豆(Glycine max)是重要的粮油作物,快速无损鉴别种子品种对种子纯度检验、品种认证、育种管理及食品质量控制至关重要。然而不同品种单粒大豆种子的全局光谱轮廓高度相似,使得单一表征模型难以同时捕获光谱序列依赖性与波段间关联结构。为此,研究人员提出一种GA
大豆(Glycine max)是重要的粮油作物,快速无损鉴别种子品种对种子纯度检验、品种认证、育种管理及食品质量控制至关重要。然而不同品种单粒大豆种子的全局光谱轮廓高度相似,使得单一表征模型难以同时捕获光谱序列依赖性与波段间关联结构。为此,研究人员提出一种GADF–Mamba融合网络(GMFNet)用于大豆种子高光谱分类。采集8个品种共24800粒种子的高光谱图像,获取900–1700 nm反射光谱,经预处理保留200个有效波段。预处理后的一维光谱序列输入基于Mamba的分支以建模连续波长依赖性与全局光谱演化;同时将同序列转换为GADF图像并缩放至208×208,输入基于ResNet18的结构分支以提取波段间关联关系特征。两种异质表示通过加权特征融合模块整合后进行最终分类。结果表明,原始光谱模型中Mamba取得最佳测试准确率(0.8721),基于GADF的结构模型中ResNet18取得最佳测试准确率(0.8737)。更重要的是,所提加权融合策略达到最优综合性能,验证集与测试集准确率分别为0.9039和0.9011。结果表明光谱序列信息与基于GADF的结构语义具有高度互补性。总体而言,该框架为单粒大豆品种高光谱识别提供了有效方案,并在食品工业无损自动化质量控制中具有应用潜力。
论文解读:GADF–Mamba融合网络(GMFNet)用于单粒大豆种子高光谱品种分类研究
一、研究背景与立题依据
大豆是全球重要的优质蛋白与植物油来源,其种子品质与品种纯度直接影响播种质量、加工效率及下游产品价值。在种质鉴定、育种选种、商品流通与质量监督中,建立快速、无损、准确的大豆种子识别方法具有重要现实意义。传统种子品种鉴定方法包括人工形态学检视、化学分析及分子标记法——人工检视依赖经验且难以区分外观相似品种;化学与分子方法虽具特异性但需样品前处理、试剂、专用仪器及较长分析时间,且具有破坏性,不适合连续单粒筛查。高光谱成像(Hyperspectral Imaging,HSI)可在不施化学试剂情况下无损获取单粒种子的空间–光谱信息,更契合自动化质控流程。近红外区域(900–1700 nm)特定波段与含氢键(O–H、C–H、N–H)的倍频及合频振动相关,可反映脂质、碳水化合物、水分及蛋白质等内部组分差异,为区分外观相似种子提供依据。已有HSI种子分类研究分为三类:基于传统机器学习结合手工特征的方法(对复杂非线性模式与高维特征耦合刻画有限);将原始光谱视为一维序列并用一维卷积神经网络(1D-CNN)、循环神经网络(RNN)、Transformer及其变体建模(侧重序列依赖但对波段间显式结构关系挖掘不足);将光谱转为二维表示或多分支融合(对单粒大豆HSI数据如何同时保留原始序列信息并显式展开波段间差异关系、有效协同两类表示仍研究不足)。单粒大豆HSI信号既是连续波长序列(适合建模整体光谱演化与长程波长依赖),又可通过Gramian角差分场(Gramian Angular Difference Field,GADF)将隐含的波段间差异关系显式表达为二维关系图像,二者应具互补性。近年Mamba作为选择性状态空间模型(Selective State Space Model,SSM)在一维序列长程依赖建模与计算效率间取得良好平衡,适合光谱序列学习。因此,构建协同利用原始一维光谱与GADF二维结构表示的联合分类框架对提升大豆种子HSI分类具有重要意义。本文发表于《Foods》。
二、主要关键技术方法概述
研究人员收集8个大豆品种(Rudong Popi Feng、Hanjiang Hongdadou、Liyang Chadou Bayuehuang、Taicang Ziyoudou、Dantu Huangdou、Nantong Yuandou、Yangzhou Wuyuedou、Wujin Xizi)各3100粒共24800个单粒种子样本,剔除异常粒后采用线扫描近红外HSI系统(FX17相机,900–1700 nm,224波段)采集,经白板暗板校正后从分割种子区域提取平均反射光谱,去除两端噪声波段保留200个有效波段,进行五点移动平均平滑及波长方向z-score标准化。数据集按4∶1∶1分层划分训练/验证/测试集并设三个随机种子重复验证。构建GADF–Mamba融合网络(GMFNet):将预处理后200维一维光谱序列分别输入(1)Mamba编码器(4层,投影维度128)提取光谱序列特征Fspectral;(2)经Min–Max归一化至[0,1]→反余弦角编码→GADF矩阵构建→重调至208×208单通道图像,输入ResNet18提取GADF结构特征FGADF;二者通过可学习加权系数α进行特征级融合Ffused=αFspectral+(1?α)FGADF,再经全连接层与Softmax分类。对比实验包括基于光谱表示的SVC(RBF核)、LSTM(2层,隐层128)、1D-CNN(3层卷积)、Transformer(4层,8头)、Mamba、CNN-LSTM、CNN-Transformer;基于GADF表示的2D-CNN、ResNet18、Swin-Tiny、Visual Mamba、FasterViT、ConvNeXtV2(Nano);以及拼接融合(Contact fusion)与加权融合(Weighted fusion)。评价指标为Accuracy、Recall、F1-score,辅以SHAP波长贡献分析与t-SNE特征可视化。
三、研究结果
3.1. 光谱特征表征(Spectral Characterization)
八个品种的平均近红外反射光谱曲线整体趋势高度一致,表明属细粒度分类问题;细微差异主要出现在1100–1290 nm(C–H倍频吸收,与脂质、碳水化合物相关)及1470–1620 nm(O–H/N–H吸收,与水分、蛋白质相关)。SHAP分析显示高贡献波长集中于上述区间(如1188.4 nm、1102.1 nm、1470.9 nm等),证实品种相关差异主要表现为波长级局部变化而非整体大偏移。GADF变换将原始一维光谱隐含的波段间差分关系重组为具明显纹理与颜色模式的二维关系图像,可显式表达波段间结构信息。
3.2. 基于光谱模型的分类性能(Classification Performance of Spectral Models)
在单一光谱模型中,Mamba取得最高验证准确率(0.8808)与测试准确率(0.8721),Recall 0.8719、F1-score 0.8748亦最优;1D-CNN(测试准确率0.8570)优于Transformer(0.8491)与LSTM(0.8215),接近SVC水平(0.8209);CNN-LSTM训练准确率最高(0.9080)但泛化不及Mamba。三随机种子+10折交叉验证下Mamba平均测试准确率0.8732±0.0019,分类错误率最低(0.1268),说明Mamba能更好建模连续波长依赖、全局光谱演化及长程波段关联,是原始光谱序列建模的最适骨干。
3.3. 基于GADF结构模型及融合策略的分类性能(Classification Performance of GADF-Based Structural Models and Fusion Strategies)
单一GADF模型中ResNet18泛化最优(验证0.8668,测试0.8737,Recall 0.8735,F1-score 0.8730),虽Swin-Tiny、Visual Mamba、ConvNeXtV2训练准确率更高但测试未超越ResNet18。拼接融合(Contact fusion)测试准确率0.8895,优于单一GADF模型;加权融合(Weighted fusion)取得最佳总体性能——训练0.9618、验证0.9039、测试0.9011,Recall 0.9009、F1-score 0.9004;较ResNet18验证/测试分别提升0.0371与0.0274,较拼接融合分别提升0.0208与0.0116。三随机种子下加权融合平均测试准确率0.9014±0.0025,分类错误率最低(0.0986),证明光谱序列表示与GADF结构表示高度互补,加权融合可有效协调异质特征贡献。
3.4. 可视化(Visualization)
t-SNE将GMFNet融合特征降至二维显示八品种形成相对清晰聚类,类内紧凑、类间可分,部分相邻类别存在轻微重叠与置信椭圆相交,对应混淆矩阵中少量易混对(Rudong Popi Feng、Hanjiang Hongdadou、Taicang Ziyoudou)。归一化混淆矩阵显示GMFNet对角线响应最强、非对角最弱,八品种中六品种识别率>85%(最高Wujin Xizi达100.0%),优于单独Mamba与ResNet18,表明双分支融合有效降低品种间混淆、增强判别力。
四、讨论与结论总结
讨论指出大豆品种分类为细粒度识别问题,判别信息分布于多局部吸收区、过渡区间及整体光谱协同变化中。Mamba凭借线性复杂度长序列建模优势适合捕获连续波长依赖与长程波段关联,优于一维CNN(仅局部模式)、LSTM及标准自注意力。GADF并非简单序列→图像转换,而是通过角编码与关系矩阵显式展开波段间差分结构,ResNet18在该GADF数据上较更复杂视觉骨干具更好泛化性。加权融合优于简单拼接说明两类异质表示非冗余而具强互补性。研究局限包括单一设备受控条件未验证跨批次/跨仪器鲁棒性、未引入域适应或多表型描述子、少数极相似品种仍有混淆。未来可拓展外部验证、跨设备校准、轻量化设计与可解释性分析。
结论(翻译自Conclusion部分):
本研究建立了一种端到端的GADF–Mamba融合网络(GMFNet),通过整合光谱序列表示与基于GADF的结构表示实现单粒大豆高光谱分类。原始反射光谱序列用于保留连续波长依赖与全局光谱演化,而基于GADF的二维关系图像显式表征波段间差分结构,二者通过加权特征融合协同利用。结果表明:原始光谱模型中Mamba的一维序列建模性能最优;GADF结构模型中ResNet18泛化能力最强;所提加权融合策略取得最优综合性能(验证集准确率0.9039,测试集准确率0.9011),优于单独光谱建模、单独GADF结构建模及简单拼接融合。这些发现说明光谱序列语义与GADF结构语义对细粒度大豆种子分类具高度互补性,只有二者在统一框架内联合组织与优化才能更充分发挥分类潜力。该研究为单粒大豆高光谱分类提供了有效的基于融合的建模范式,并为细粒度农业高光谱识别中一维光谱表示与二维关系表示的结合提供参考。将该框架应用于现场大豆种子检验尚需稳定的高光谱采集、受控光照、标准化单粒输送与呈现、可靠背景抑制与种子区域分割、实时预处理与推理及跨仪器校准传递,并与自动输送、在线分选及质控模块集成以建立可运行的单粒检验工作流。未来工作可聚焦于跨设备与跨批次验证、外部数据集评估、轻量化模型设计及可解释特征分析,以提升框架的鲁棒性与实用适用性。