GMFNet:一种用于大豆种子高光谱分类的GADF-Mamba融合网络

《Foods》:GMFNet: A GADF–Mamba Fusion Network for Soybean Seed Hyperspectral Classification

【字体: 大 中 小 】 时间:2026年06月19日 来源:Foods 5.1

编辑推荐:

  大豆是一种重要的粮食和油料作物,种子品种的快速无损鉴定对种子纯度检测、品种认证、育种管理和食品质量控制至关重要。然而,不同品种的单粒大豆种子的全局光谱轮廓通常高度相似,使得单一表示模型难以同时捕捉光谱的序列依赖性和波段间关系结构。为解决这一问题,研究人员提出了

  
大豆是一种重要的粮食和油料作物,种子品种的快速无损鉴定对种子纯度检测、品种认证、育种管理和食品质量控制至关重要。然而,不同品种的单粒大豆种子的全局光谱轮廓通常高度相似,使得单一表示模型难以同时捕捉光谱的序列依赖性和波段间关系结构。为解决这一问题,研究人员提出了一种用于大豆种子高光谱分类的GADF-Mamba融合网络(GMFNet)。研究人员获取了来自八个品种的24800粒种子的高光谱图像,收集了900–1700 nm范围内的反射光谱,经预处理后保留了200个有效波段。将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和全局光谱演化;同时,将同一序列转化为GADF图像(调整尺寸为208×208),并输入基于ResNet18的结构分支,以提取波段间关系特征。两种异质表示通过加权特征融合模块进行整合,以实现最终分类。实验结果表明,在原始光谱模型中,Mamba取得了最佳测试准确率(0.8721);在基于GADF的结构模型中,ResNet18取得了最佳测试准确率(0.8737)。更重要的是,所提出的加权融合策略取得了整体最优性能,验证准确率和测试准确率分别达到0.9039和0.9011。这些结果表明,光谱序列信息与基于GADF的结构语义高度互补。总体而言,所提出的框架为单粒大豆种子品种鉴定提供了一种有效的高光谱解决方案,并在食品工业应用中展现出无损自动化质量控制的潜力。
**论文解读:基于GADF-Mamba融合网络的大豆种子高光谱分类研究**

**研究背景与问题**

大豆是全球重要的粮食和油料作物,其种子品种纯度直接影响播种质量、加工效率和下游产品价值。传统的品种鉴定方法(如人工形态检查、化学分析和分子标记)存在主观性强、耗时长、破坏性强等局限,难以满足大规模、非破坏性、自动化的质量控制需求。高光谱成像(HSI)技术能够无损获取种子空间-光谱信息,但不同品种的大豆种子光谱轮廓高度相似,单一表示模型(如仅基于连续波长依赖性或仅基于波段间结构关系)难以同时捕捉两类关键判别特征。因此,如何协同利用光谱序列信息与波段间关系结构,提升单粒大豆种子品种分类精度,成为亟需解决的科学问题。

**研究内容与结论**

研究人员构建了一种端到端分类框架——GADF-Mamba融合网络(GMFNet),用于单粒大豆种子高光谱分类。该网络包含光谱分支和GADF结构分支:光谱分支采用Mamba编码器建模连续波长依赖性和全局光谱演化;GADF结构分支将一维光谱转化为格拉姆角差场(GADF)二维关系图像,利用ResNet18提取波段间差分结构特征。两种异质表示通过加权特征融合模块进行自适应整合。实验表明,在原始光谱模型中,Mamba取得最优测试准确率(0.8721);在GADF结构模型中,ResNet18取得最优测试准确率(0.8737)。加权融合策略进一步提升了性能,验证和测试准确率分别达到0.9039和0.9011,优于单一分支和简单拼接融合。该成果发表于《Foods》期刊,证明光谱序列信息与GADF结构语义高度互补,为单粒大豆品种鉴定提供了有效的高光谱解决方案,对食品工业无损自动化质量控制具有重要应用潜力。

**关键技术方法**

研究采用实验室高光谱成像系统(FX17相机,光谱范围900–1700 nm,224波段),采集8个大豆品种共24800粒种子(分别来自Rudong Popi Feng、Hanjiang Hongdadou等种质资源库),经白-暗校正后提取种子区域平均反射光谱,去除首尾噪声波段后保留200个有效波段,并进行五点滑动平均平滑和逐波长z-score标准化。样本按4:1:1随机划分为训练、验证、测试集,每种品种按标签分层抽样,共生成三个独立随机种子划分用于稳定性评估。核心技术包括:基于Mamba的状态空间序列建模、基于GADF的二维关系图像构建(原始200维序列归一化后经反余弦角度编码转化为208×208单通道图像)、基于ResNet18的结构编码、以及可学习加权特征融合模块,最终经全连接层和Softmax输出8类品种预测。

**研究结果**

**3.1 光谱特征分析**
通过绘制八个品种的平均反射光谱曲线(图4),发现各品种全局光谱轮廓高度一致,仅在局部波段(如1100–1290 nm、1470–1620 nm)存在细微差异。基于SHAP(Shapley加法解释)的波长贡献分析(图5)进一步表明,对分类决策影响最大的波长主要集中在1188.4、1102.1、1234.9 nm等,对应C–H、O–H、N–H键的倍频吸收区域,说明品种间差异主要体现为与化学成分相关的局部光谱变异,而非整体偏移。

**3.2 光谱模型的分类性能**
在基于原始光谱表示的比较模型中(表2、表3),Mamba在验证集和测试集上取得最高准确率(0.8808和0.8721),召回率和F1-score也均为最优(0.8719和0.8748),其平均测试准确率(0.8732±0.0019)和最低分类误差(0.1268)在三组随机种子划分下均保持领先。相比之下,SVC、LSTM、1D-CNN、Transformer、CNN-LSTM和CNN-Transformer的测试准确率分别为0.8209、0.8215、0.8570、0.8491、0.8662和0.8210,表明Mamba在建模连续波长依赖性和长程波段相关性方面优于其他序列模型。

**3.3 GADF结构模型及融合策略的分类性能**
在基于GADF的结构模型中(表4),ResNet18表现最佳,验证和测试准确率分别达0.8668和0.8737,召回率和F1-score分别为0.8735和0.8730。而2D-CNN、Swin-Tiny、Visual Mamba、FasterViT和ConvNeXt V2的测试准确率分别为0.8498、0.8505、0.8500、0.8655和0.8556。进一步引入加权融合后,GMFNet在验证和测试集上分别达到0.9039和0.9011的准确率,召回率0.9009、F1-score 0.9004,显著优于简单拼接融合(0.8831/0.8895)和任何单一模型。在三组随机种子划分下(表5),加权融合的平均测试准确率为0.9014±0.0025,分类误差仅0.0986,证实了方法的稳定性和互补性。

**3.4 可视化分析**
通过t-SNE(t分布随机邻域嵌入)降维可视化(图7)显示,GMFNet学习到的融合特征在二维空间中形成清晰的类别簇,大多数品种的95%置信椭圆区域分离良好,仅少数相邻品种(如Rudong Popi Feng、Hanjiang Hongdadou、Taicang Ziyoudou)存在局部重叠。归一化混淆矩阵(图8)进一步表明,GMFNet的类别级识别率范围为81.8%–100.0%,其中5个品种的识别率超过85%(如Wujin Xizi达100.0%),对角响应强于Mamba和ResNet18单分支模型,说明融合策略有效降低了品种间混淆。

**讨论与结论**
讨论部分指出,大豆品种分类本质上是细粒度识别问题,判别信息分散在多个局部波段的协同变化中。Mamba在原始光谱建模中的优势源于其选择性状态空间模型能在线性复杂度下捕捉长程依赖;GADF变换则能将隐含的波段间差分结构显式展开为二维关系模式,ResNet18的稳定性表明分层结构建模更适合当前数据。加权融合优于拼接融合,证实了光谱序列语义与GADF结构语义的强互补性。研究局限性包括:单一设备、受控条件下的实验数据,跨批次/跨设备的鲁棒性待验证;当前框架未引入跨仪器校准或域适应,迁移性受限;少数品种仍存在混淆。未来需关注外部验证数据集、波长贡献解释、轻量化与可解释融合策略。

研究结论部分翻译如下:本研究开发了一种端到端分类框架GMFNet,通过整合光谱序列表示与基于GADF的结构表示,用于单粒大豆种子高光谱分类。在该框架中,原始反射光谱序列用于保留连续波长依赖性和全局光谱演化,而基于GADF的二维关系图像用于显式刻画波段间差分结构。两种异质表示通过加权特征融合实现协同利用。实验结果表明,在原始光谱模型中,Mamba取得了最佳单分支序列建模性能;在基于GADF的结构模型中,ResNet18展现出最强泛化能力。更重要的是,所提出的加权融合策略取得了整体最优性能,验证集和测试集准确率分别达到0.9039和0.9011,优于单一光谱建模、单一GADF结构建模及简单拼接融合。这些发现表明,光谱序列语义与GADF结构语义在细粒度大豆种子分类中高度互补,只有在统一框架内联合组织和优化,才能更有效地释放其全部分类潜力。总体而言,本研究为单粒大豆种子高光谱分类提供了一种有效的基于融合的建模范式,并为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了有益参考。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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