基于深度學(xué)習(xí)結(jié)合高光譜技術(shù)的大豆種子活力檢測方法

關(guān)鍵字：大豆；種子活力；檢測；高光譜；深度學(xué)習(xí)；注意力機(jī)制中圖分類號：S127 文獻(xiàn)標(biāo)識碼：A 文章編號：1000-4440（2025）05-0927-10

Abstract：To achieve eficient，accurate，and non-destructive identification of soybean seed vigor，this study used seedsofthesoybeanvariety Williams 82asexperimentalmaterials.Alibraryof soybeanseeds withdiferentlevelsof vigor wasconstructedthroughartificialagingtreatments.HyperspectralimagesandRGBimagesof theseedswerethencollected to generate three image datasets （RGB dataset，SIQ dataset，and ENVIdataset）.Four deep learning models （Vg16Net， GoogLeNet，MobileV3Net，and ResNet-34）were employed to detectseed vigor，and theoptimal modelsand datasets were selected.Furthermore，thecoordinate atention（CA）mechanismandlabel smothing loss function were incorporated into theoptimal models toenhancetheirdetectionperformanceandrobustnessTheresultsdemonstratedthatusingtheSIQdata

set and ResNet-34 model，the recognition accuracy reached 97.6% and 96.8% on the training set and validation set，respectively.The detection performance was superiortoothercombinationsofmodelsand datasets.The CA-ResNet-34 model，which incorporated the CA mechanismand label smoothinglossfunction into the ResNet-34 model，achieved a detection accuracy of 98.5% for soy

bean seed vigor based onthe SIQdataset.Thisrepresentedanimprovementof1.7percentage points inaccuracycompared totheoriginal ResNet-34model.Theresultsofthis studycanprovideanew methodfortheaccurate，non-destructive，and efficient detection of soybean seed vigor.

Key words： soybean；seed vigor；detection；hyperspectral；deep learning；atention mechanism

大豆是中國重要的油料作物和經(jīng)濟(jì)作物，2023年中國大豆種植面積達(dá) 1.047×10⁷hm² ，產(chǎn)量約2.084×10⁷ t。由于大豆種子的種皮較薄，內(nèi)部組織結(jié)構(gòu)較為松散，使得大豆種子在儲存時(shí)對環(huán)境條件比較敏感，極易在儲存時(shí)發(fā)生老化。而種子老化常導(dǎo)致其活力下降、出苗延遲、成苗率低以及幼苗生長勢和抗逆能力下降，進(jìn)而降低大豆的產(chǎn)量和經(jīng)濟(jì)價(jià)值[1-2]。老化種子和非老化種子在外表上并沒有明顯的差異，非專業(yè)人員很難區(qū)分。生產(chǎn)中常通過測定種子的酶活性、浸泡液電導(dǎo)率和發(fā)芽率等來評估種子的質(zhì)量和活力，但這些方法耗時(shí)長、成本高且易對種子造成損害，因此生產(chǎn)中亟需建立一種高效、精準(zhǔn)、無損的大豆種子活力度檢測方法。

近年來，基于高光譜技術(shù)和機(jī)器學(xué)習(xí)方法（包括深度學(xué)習(xí)方法）的作物長勢監(jiān)測、作物營養(yǎng)狀況監(jiān)測、病蟲害監(jiān)測已取得較多成果[3-8]。在基于高光譜技術(shù)和深度學(xué)習(xí)方法的種子活力檢測方面亦得到初步開展。張伏等利用 963～1698nm 的玉米種子光譜數(shù)據(jù)，實(shí)現(xiàn)了熱損傷玉米種子的檢測，識別精確率達(dá) 98.33% 。Liu等[10]基于光譜-空間特征提取高光譜圖像，實(shí)現(xiàn)了糯玉米種子機(jī)械損傷檢測。Zhang等[1利用高光譜成像技術(shù)結(jié)合深度森林模型進(jìn)行凍害水稻種子的識別。彭彥昆等[12利用近紅外光譜和PCA-SVM模型實(shí)現(xiàn)熱損傷番茄種子的識別;Peng等[13]利用高光譜成像和深度學(xué)習(xí)方法進(jìn)行缺陷松子的檢測。Al-Amery等[14]利用近紅外光譜數(shù)據(jù)，構(gòu)建了大豆種子活力的偏最小二乘回歸（PLSR）分類模型，該模型在區(qū)分高活力與低活力種子方面表現(xiàn)出較高的準(zhǔn)確性，準(zhǔn)確率超過 85% 。然而在進(jìn)行更精細(xì)化的種子活力檢測時(shí)效果并不理想。Zhang等[15]結(jié)合高光譜成像技術(shù)、非靶向代謝組學(xué)方法和機(jī)器學(xué)習(xí)方法等成功實(shí)現(xiàn)自然老化和加速老化甜玉米種子的活力監(jiān)測。Ambrose等[16]利用高光譜成像技術(shù)和PLSDA模型實(shí)現(xiàn)玉米種子活力的快速測定; Xu 等[17]利用高光譜成像結(jié)合多元數(shù)據(jù)分析成功實(shí)現(xiàn)玉米種子活力分類；丁子予等[18]利用玉米種子全光譜信息提取特征光譜，并結(jié)合深度學(xué)習(xí)方法實(shí)現(xiàn)玉米種子活力檢測分類。Qi等[9]利用一種改進(jìn)的DCGAN（深度卷積生成對抗網(wǎng)絡(luò)）和近紅外高光譜成像技術(shù)實(shí)現(xiàn)水稻種子活力檢測。此外，高光譜技術(shù)在西瓜、辣椒、甜菜等作物種子的活力檢測中亦有開展[20-22] O

目前利用種子表型進(jìn)行識別的相關(guān)研究很多，但由于大多豆類種子老化后表型并無明顯變化，針對大豆種子活力檢測的研究還比較少，所得結(jié)果難以應(yīng)用到實(shí)際生產(chǎn)中，且基于高光譜成像技術(shù)和深度學(xué)習(xí)方法的大豆種子活力檢測更少。此外，研究人員提出了較多的高光譜圖像處理方法，但不同處理方法所得數(shù)據(jù)對種子活力檢測差異比較的研究較少。因此，本研究以不同活力大豆種子的高光譜圖像為研究對象，結(jié)合深度學(xué)習(xí)方法，通過多個(gè)數(shù)據(jù)集和多個(gè)模型相互交叉訓(xùn)練篩選出最優(yōu)數(shù)據(jù)集和較優(yōu)模型，并對較優(yōu)模型結(jié)構(gòu)以及訓(xùn)練方式加以優(yōu)化實(shí)現(xiàn)對不同活力度大豆種子高效、精準(zhǔn)、無損識別，從而為大豆種子篩選和大豆種子活力檢測儀器的開發(fā)提供參考。

1材料與方法

1.1種子處理

本研究試驗(yàn)所用種子為大豆品種Williams82種子，由省農(nóng)業(yè)科學(xué)院經(jīng)濟(jì)作物研究所提供。2023年8月，挑選大小均勻、顆粒飽滿且無損的大豆種子3900粒，利用3個(gè)小網(wǎng)袋平均分裝后，用 1% 次氯化鈉溶液浸泡 5min 后沖洗干凈，1袋為不作處理對照，另外2袋放入提前預(yù)熱好的溫度（ 58±1 ） C 的恒溫水浴鍋中進(jìn)行人工老化處理[23-24]，分別水浴 12min 和24min ，取出后平鋪放在通風(fēng)處自然干燥3～5d直至種子含水量降至原狀態(tài)，得到未老化種子、老化12min 種子及老化 24min 種子，如圖1所示。從各處理種子中取出100粒，先采集各粒種子的高光譜數(shù)據(jù)及影像數(shù)據(jù)，再在恒溫 28^°C 智能溫室中進(jìn)行發(fā)芽試驗(yàn)，3d后觀察種子的萌發(fā)情況，以種子萌發(fā)的芽長超過自身長度為正常萌發(fā)統(tǒng)計(jì)萌發(fā)率。根據(jù)芽長將種子活力分為高活力、中活力和低活力，對應(yīng)芽長分別為gt;12.1cm.5.1～12.0cm 和 ?5.0cm 。

1.2 圖像采集

利用SpecimIQ手持式高光譜成像儀（芬蘭SPECIM公司產(chǎn)品）采集各處理大豆種子的高光譜圖像和RGB圖像。采集時(shí)利用三腳架固定成像儀后將大豆種子每4粒一組擺放至鏡頭下方垂直

30cm 處，采用Simultaneous參照白板進(jìn)行數(shù)據(jù)采集，最終采集到各粒種子 397～1 004nm 波段的高光譜數(shù)據(jù)和RGB圖像。

1.3數(shù)據(jù)集制作

直接將采集到的RGB圖像導(dǎo)出并裁剪得到RGB初始數(shù)據(jù)集，初始數(shù)據(jù)集經(jīng)過水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、色彩增強(qiáng)、添加噪聲、飽和度調(diào)整等數(shù)據(jù)增強(qiáng)后，每個(gè)處理可得600張RGB圖像數(shù)據(jù)，3個(gè)處理共得1800張RGB數(shù)據(jù)。其中 70% 用作訓(xùn)練集，30% 用作測試集。

采集得到的高光譜數(shù)據(jù)集采用兩種方式進(jìn)行處理，一是利用SpecimIQ手持式高光譜成像儀配套的IQStudio高光譜數(shù)據(jù)可視化程序進(jìn)行處理，二是利用ENVI5.3軟件進(jìn)行處理。

IQStudio導(dǎo)人采集的高光譜數(shù)據(jù)后在不同處理的種子表面光線均勻的地方分別選取300個(gè)不同的像素點(diǎn)，根據(jù)不同活力種子的高光譜曲線特征（圖2），提取光譜反射率 .gt;75% 的斑塊進(jìn)行標(biāo)記（圖3），并導(dǎo)出和裁剪得到SIQ數(shù)據(jù)集。

將高光譜數(shù)據(jù)導(dǎo)人ENVI5.3軟件后，以不同活力種子整個(gè)表面為感興趣區(qū)域，計(jì)算不同活力種子整個(gè)表面的平均光譜曲線（圖4），構(gòu)建不同活力種子的平均高光譜特征數(shù)據(jù)庫。再根據(jù)種子表面各像素點(diǎn)的高光譜曲線特征，利用光譜角映射分類器進(jìn)行種子表面光譜特征分布分析（圖5），構(gòu)建ENVI數(shù)據(jù)集。

1.4 模型構(gòu)建與評估

1.4.1模型構(gòu)建、選擇與優(yōu)化使用Pytouch3.8平臺構(gòu)建 Vgg16Net^[25] 、GoogLeNet[26]、Mobi-leV3Net^[27] ！ ResNet-34^[28] 4個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型。然后利用不同模型和數(shù)據(jù)集進(jìn)行大豆種子活力檢測性能分析，篩選出最優(yōu)模型和數(shù)據(jù)集，再進(jìn)一步在最優(yōu)模型中添加坐標(biāo)注意力（Coordinateattention，CA）機(jī)制，模型訓(xùn)練過程中選用標(biāo)簽平滑用作損失函數(shù)的計(jì)算，進(jìn)一步優(yōu)化模型，提升模型檢測性能。

1.4.1.1 標(biāo)簽平滑標(biāo)簽平滑（Label smoothing）是一種正則化技術(shù)，用于深度學(xué)習(xí)模型的訓(xùn)練過程中[29]。該技術(shù)能避免模型對訓(xùn)練數(shù)據(jù)中的某些標(biāo)簽過于自信導(dǎo)致過擬合，有助于模型學(xué)習(xí)到更為平滑的決策邊界。標(biāo)簽平滑通常與交叉熵?fù)p失函數(shù)結(jié)合使用，是模型訓(xùn)練過程中損失函數(shù)的重要組成部分[30]

1.4.1.2坐標(biāo)注意力機(jī)制坐標(biāo)注意力（CA）機(jī)制是一個(gè)即插即用的輕量級注意力模塊，是將位置信息嵌入到通道注意力中[31]。與傳統(tǒng)的通道注意力不同，本研究采用的CA機(jī)制通過一維全局池化將輸入特征分解為兩個(gè)特征編碼，分別沿著不同空間方向聚合特征，以保留精確位置信息[32]。CA 機(jī)制結(jié)構(gòu)如圖6所示。維度為 C×H×W 的輸人特征圖首先沿寬度（W）和高度 （H） 分別進(jìn)行全局平均池化，得到維度為 C×H×1 和 C×1×W 的特征圖，然后經(jīng)過特征融合與轉(zhuǎn)換層（ Concat+Conv2d） 將兩個(gè)池化后的特征圖像在通道維度上進(jìn)行拼接，得到一個(gè)C/r×1×（W+H） 的特征圖像（ r 為調(diào)節(jié)注意力機(jī)制的縮減系數(shù)），進(jìn)一步經(jīng)過批量歸一化與非線性激活層（BatchNorm ¹⁺ Non-linear）對卷積后的特征圖進(jìn)行批量歸一化（BatchNorm）處理和非線性激活處理，以提高模型的表達(dá)能力，再經(jīng)過分裂（Split）與二維卷積模塊（Conv2d）將批量歸一化和激活后的特征圖分裂為兩個(gè)維度分別為 C×1×W 和 C×H×1 的特征圖，再經(jīng)過Sigmoid激活與重標(biāo)定層對兩個(gè)卷積后的特征圖生成兩個(gè)注意力圖，這兩個(gè)圖將分別在寬度和高度上對輸入特征圖進(jìn)行重標(biāo)定；再經(jīng)過特征權(quán)重重新分配層（Re-weight）將Sigmoid激活后的注意力圖輸出為加權(quán)后的維度為 C×H×W 特征圖，此時(shí)特征圖就完成了某些特征的強(qiáng)化或弱化，同時(shí)結(jié)合了原始輸人特征的通道信息和空間位置信息。

CA機(jī)制能夠非常準(zhǔn)確地捕獲到不同通道之間的關(guān)系，而且還考慮到相關(guān)的位置信息，提高了特征表達(dá)的準(zhǔn)確性[33]。憑借其靈活性和輕量化設(shè)計(jì)，CA機(jī)制能夠無縫集成到不同的網(wǎng)絡(luò)架構(gòu)中，滿足多樣化的任務(wù)需求。

1.4.1.3 CA-ResNet-34模型結(jié)構(gòu)CA-ResNet-34模型網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。在CA-ResNet-34模型中，每個(gè)殘差塊包含多個(gè)卷積層和注意力模塊，以及1個(gè)捷徑連接。對于一個(gè)殘差塊，如果輸入和輸出的形狀相同，則捷徑分支中無需添加 1×1 卷積。如果c ：通道數(shù)量， 1 ：圖像的高度，W：圖像的寬度，r：調(diào)節(jié)注意力機(jī)制的縮減系數(shù)， AvgPool ：空間池化層， Conv2d：2 維卷積，Concat + Conv2d：特征融合與轉(zhuǎn)換層， BatchNorm⁺ Non-linear：批量歸一化與非線性激活層，Sigmoid：激活函數(shù)，Re-Weight：特征權(quán)重重新分配層，Split：分裂與二維卷積模塊。

輸入和輸出的形狀不同，比如在降采樣或者升維的情況下，則捷徑分支中需要添加 1×1 卷積層，用于匹配輸人和輸出的形狀。

經(jīng)規(guī)范化處理成維度為 3×224×224 的圖片輸人模型，模型由8個(gè)模塊組成，數(shù)據(jù)輸入后首先經(jīng)過卷積核大小為 7×7 的卷積層，再通過1個(gè)最大池化下采樣層，然后經(jīng)過4個(gè)殘差模塊處理，最后經(jīng)過平均池化下采樣層到全連接層實(shí)現(xiàn)特征提取并分類。每個(gè)殘差模塊都有2個(gè)卷積核大小為 3×3 的卷積層和2個(gè)CA機(jī)制模塊組成，相同維度的殘差模塊直接相連，不同維度的殘差模塊通過1個(gè)核大小為 1×1 的卷積層相連，從而實(shí)現(xiàn)升維或降維操作。

1.4.2模型評估本研究采用混淆矩陣和準(zhǔn)確率（Accuracy）精確度（Precision）、召回率（Recall）、特異度（Specificity）等指標(biāo)來評估模型的檢測性能?；煜仃嚹芙沂灸Ｐ偷目傮w性能，詳細(xì)展示模型在各個(gè)類別上的預(yù)測準(zhǔn)確性，是衡量模型檢測性能的重要標(biāo)準(zhǔn)之一[34]。準(zhǔn)確率、精確度、召回率、特異度等指標(biāo)的計(jì)算方法如下：

式中， TP 為實(shí)際值為正、預(yù)測結(jié)果為正的樣本數(shù)； FP 為實(shí)際值為負(fù)、預(yù)測結(jié)果為正的樣本數(shù)；TN為實(shí)際值為負(fù)、預(yù)測結(jié)果為負(fù)的樣本數(shù)； FN 為實(shí)際值為正、預(yù)測結(jié)果為負(fù)的樣本數(shù)。

2 結(jié)果與分析

2.1 大豆種子的萌發(fā)

避光萌發(fā)3d后，各處理大豆種子的萌發(fā)情況如圖8所示。從圖中可以看出，未老化處理的CK種子萌發(fā)率達(dá) 99% ，芽長基本在 12cm 以上；老化12min 處理的大豆種子萌發(fā)率為 54% ，且萌發(fā)種子的芽長大多低于 12cm ;老化 24min 處理的大豆種子萌發(fā)率僅為 7% ，基本均為低活力種子。

2.2適宜模型和數(shù)據(jù)集的篩選

不同數(shù)據(jù)集下，4個(gè)模型對大豆種子活力檢測結(jié)果的準(zhǔn)確率如表1所示。從表中可以看出，基于RGB、SIQ、ENVI數(shù)據(jù)集，ResNet-34模型驗(yàn)證集準(zhǔn)確率分別達(dá)到 91.9%9.96.8%.97.4% ，表現(xiàn)最好?；赟IQ數(shù)據(jù)集， ResNet-34 模型的訓(xùn)練集和驗(yàn)證集識別準(zhǔn)確率分別達(dá)到 97.6% 和 96.8% ，效果較好?；赗GB數(shù)據(jù)集、ENVI數(shù)據(jù)集，ResNet-34模型的識別準(zhǔn)確率亦均在 90.0% 以上，但兩者在訓(xùn)練集和驗(yàn)證集上的檢測準(zhǔn)確率差異均在5個(gè)百分點(diǎn)以上，說明基于RGB數(shù)據(jù)集和ENVI數(shù)據(jù)集，ResNet-34模型的大豆種子活力檢測存在一定的欠擬合現(xiàn)象。

基于不同模型和數(shù)據(jù)集的大豆種子活力檢測結(jié)果的混淆矩陣如圖9所示。從圖中可以看出，基于RGB和SIQ數(shù)據(jù)集， Vgg16Net 模型無法正確區(qū)分不同活力的種子，基于ENVI數(shù)據(jù)集， Vgg16Net 模型的分類效果有所改善，但錯(cuò)判情況仍較為嚴(yán)重?；?個(gè)數(shù)據(jù)集，MobileV3Net模型、GoogLeNet模型能較好地進(jìn)行不同活力大豆種子的分類，其中，基于ENVI數(shù)據(jù)集的分類效果更好?；赗GB、SIQ、ENVI3個(gè)數(shù)據(jù)集，ResNet-34模型的大豆種子活力分類效果優(yōu)于其他3個(gè)模型；基于SIQ數(shù)據(jù)集、ENVI數(shù)據(jù)集，ResNet-34模型的誤判比基于RGB數(shù)據(jù)集更少。但由于基于ENVI數(shù)據(jù)集，ResNet-34模型的種子活力檢測準(zhǔn)確率在訓(xùn)練集和驗(yàn)證集上存在較大差異，即模型存在過擬合現(xiàn)象，因此，本研究認(rèn)為，基于SIQ數(shù)據(jù)集的ResNet-34模型大豆種子活力檢測效果最好。

基于RGB數(shù)據(jù)集、SIQ數(shù)據(jù)集和ENVI數(shù)據(jù)集，ResNet-34模型對大豆種子活力檢測的精確度、召回率、特異度如表2所示。從表中可以看出，基于SIQ和ENVI數(shù)據(jù)集的ResNet-34模型大豆種子活力的檢測精確度、召回率、特異度均表現(xiàn)較好，而基于RGB數(shù)據(jù)集，ResNet-34模型的精確度和召回率相對較低?？紤]到基于ENVI數(shù)據(jù)集進(jìn)行檢測出現(xiàn)的過擬合現(xiàn)象，本研究認(rèn)為本試驗(yàn)條件下，利用Res-Net-34模型和SIQ數(shù)據(jù)集進(jìn)行大豆種子活力檢測效果較好。

2.3 CA-ResNet-34訓(xùn)練結(jié)果

基于SIQ數(shù)據(jù)集，CA-ResNet-34模型訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率和損失率隨訓(xùn)練迭代次數(shù)的變化如圖10所示。從圖中可以看出，迭代次數(shù)低于100次時(shí)，訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率快速增加，而損失率迅速下降，當(dāng)?shù)螖?shù)達(dá)到300次時(shí)，訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率和損失率達(dá)到穩(wěn)定，經(jīng)過500次的迭代后，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率分別高達(dá) 99.0% 和98.5% ，分別比ResNet-34模型提升1.4個(gè)百分點(diǎn)和1.7個(gè)百分點(diǎn)。此外，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率和損失率保持相同趨勢，說明CA-ResNet-34模型的檢測性能較好。

2.4ResNet-34模型和CA-ResNet-34模型檢測性 能差異

利用SIQ數(shù)據(jù)集，CA-ResNet-34模型對驗(yàn)證集大豆種子活力檢測結(jié)果的混淆矩陣如圖11所示。從圖中可以看出，高活力種子中仍有5個(gè)樣本被誤判為中活力種子，中活力種子中亦有5個(gè)樣本被錯(cuò)誤分類，低活力種子全部正確分類，而原始模型ResNet-34中高活力種子有7個(gè)樣本、中活力種子有12個(gè)樣本被錯(cuò)誤分類，說明改進(jìn)后的模型對大豆種子活力檢測效果更好。

基于SIQ數(shù)據(jù)集，ResNet-34模型和CA-ResNet-34模型對大豆種子活力進(jìn)行檢測得到的精確度、召回率、特異度如表3所示。從表中可以看出，CA-ResNet-34模型的檢測精確度、召回率、特異度分別為 98.1%98.1%99.1% ，比原始模型ResNet-34提升1.3個(gè)百分點(diǎn)、1.3個(gè)百分點(diǎn)、0.7個(gè)百分點(diǎn)。

3 討論與結(jié)論

目前，基于高光譜數(shù)據(jù)與機(jī)器學(xué)習(xí)方法的大豆種子活力檢測已有初步研究。Larios等[35]利用主成分分析（PCA）對原始光譜進(jìn)行預(yù)處理，再結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)模型（支持向量機(jī)、K最近鄰等）對大豆種子活力進(jìn)行檢測，研究結(jié)果發(fā)現(xiàn)模型能較好區(qū)分高活力種子種子和低活力種子。但當(dāng)分類類別較多時(shí)，模型的識別效果較差。Al-Amery等[14]的研究結(jié)果表明，偏最小二乘分類模型無法區(qū)分高活力種子和中活力種子。此外，上述研究中一般多采用傳統(tǒng)機(jī)器學(xué)習(xí)模型，在光譜數(shù)據(jù)的使用上一般先選擇感興趣區(qū)域，再利用主成分分析等算法進(jìn)行光譜數(shù)據(jù)的分析，進(jìn)而提取有效特征光譜，并進(jìn)行檢測，其步驟繁瑣，方法復(fù)雜。本研究首先基于成像高光譜數(shù)據(jù)，分析了不同活力種子的高光譜特征，建立了基于成像高光譜的SIQ數(shù)據(jù)集、ENVI數(shù)據(jù)集和RGB數(shù)據(jù)集，再利用 Vgg16Net 、GoogleNet、MobileV3Net、ResNet-344個(gè)深度學(xué)習(xí)模型進(jìn)行大豆種子活力的檢測，發(fā)現(xiàn)基于SIQ數(shù)據(jù)集，ResNet-34模型驗(yàn)證集對大豆種子活力檢測的準(zhǔn)確率為 96.8% 。在Res-Net-34模型中進(jìn)一步引入CA注意力機(jī)制及標(biāo)簽平滑技術(shù)后，優(yōu)化后的模型（CA-ResNet-34）對大豆種子活力檢測的準(zhǔn)確率高達(dá) 98.5% 。本研究還發(fā)現(xiàn)基于RGB 數(shù)據(jù)集、SIQ數(shù)據(jù)集和ENVI數(shù)據(jù)集，Res-Net-34模型在驗(yàn)證集均取得較好的檢測效果，但在訓(xùn)練集與驗(yàn)證集間存在一定的差異，基于SIQ數(shù)據(jù)集，ResNet-34模型驗(yàn)證集和訓(xùn)練集的檢測準(zhǔn)確率基本一致，而基于RGB 數(shù)據(jù)集、和ENVI 數(shù)據(jù)集，Res-Net-34模型在驗(yàn)證集和訓(xùn)練集間檢測準(zhǔn)確率差異較大，說明模型的泛化性不好，因此，實(shí)際應(yīng)用中需要綜合模型驗(yàn)證集和訓(xùn)練集的檢測性能，選擇適宜的

模型和數(shù)據(jù)集。

由于不同品種大豆種子及其老化后的表型差異較大，本研究建立的檢測方法僅適用于表型如品種Williams82的黃色種皮大豆種子，進(jìn)一步的研究中可增加不同表型大豆種子樣本，進(jìn)一步提高模型的識別精度和泛化能力。

參考文獻(xiàn)：

[1]高琴梅，盧新雄，朱凌燕，等.大豆種子老化MDA和4-HNE 的 含量變化相關(guān)性研究[J].種子，2019，38（4）：1-9.

［2］田桂霞.種子老化的生理化與分子機(jī)理研究進(jìn)展[J].農(nóng)業(yè)與 技術(shù)，2018，38（10） ：42.

[3]ZHANG G S，XU TY， TIAN Y W. Hyperspectral imaging-based clasification of rice leaf blast severity over multiple growth stages [J].Plant Methods，2022，18（1）：123.

[4]YANG M，KANG X Y，QIU XF，et al. Method for early diagnosis of Verticillium wilt in cotton based on chlorophyl fluorescence and hyperspectral technology[J]. Computers and Electronics in Agriculture，2024，216：108497.

[5]GUOAT，HUANG WJ，DONG YY，et al.Wheat yellow rust detection using UAV-based hyperspectral technology[J].Remote Sensing，2021，13（1）：123.

[6]GUI JS，XUHR，F(xiàn)EIJY.Non-destructive detection of soybean pestbased on hyperspectral image and attention-ResNet metalearning model[J]. Sensors，2023，23（2） ：678.

[7]WANG ZL，F(xiàn)AN S X，AN T，et al. Detection of insect-damaged maize seed using hyperspectral imaging and hybrid 1D-CNN-BiLSTM model[J]．Infrared Physics amp; Technology，2024，137： 105208.

[8]NGUYEN H D，NANSEN C. Hyperspectral remote sensing to detect leafminer-induced stress in Bok choy and spinach according to fertilizer regime and timing[J].Pest Management Science，2020， 76（6）：2208-2216.

[9]張伏，禹煌，熊瑛，等.熱損傷玉米種子的高光譜無損檢 測[J].光譜學(xué)與光譜分析，2024，44（4）：1165-1170.

[10]LIUFS，F(xiàn)UJ，ZHAO RQ.Pixel-wise mechanical damage detection of waxy maize using spectral-spatial feature extraction and hyperspectral image[J]. Computers and Electronics in Agriculture， 2023，209：107853.

[11] ZHANG L， SUN H，RAO Z H，et al. Hyperspectral imaging technologycombined with deep forestmodel to identify frost-damaged rice seeds[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2020，229;17973.

[12]彭彥昆，趙芳，李龍，等.利用近紅外光譜與PCA-SVM識 別熱損傷番茄種子[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（5）：159-165.

[13]PENG DD，JIN C，WANG J，et al.Defects recognition of pine nutsusing hyperspectral imaging and deep learning approaches [J].Microchemical Journal，2024，201：110521.

[14]AL-AMERYM，GENEVERL，SANCHESMF，et al. Near-infrared spectroscopyused to predict soybean seed germination and vigour[J]. Seed Science Research，2018，28（3） ：245-252.

[15]ZHANG TT，LUL，YANG N，et al. Integration of hyperspectral imaging，non-targeted metabolomicsand machine learning for vigour prediction of naturally and accelerated aged sweetcorn seeds [J].Food Control，2023，153：109930.

[16]AMBROSE A，KANDPAL L M，KIM MS，et al.High speed measurement of corn seed viability using hyperspectral imaging [J]. Infrared Physics amp; Technology，2016，75：173-179.

[17]XUP，ZHANGYP，TANQ，et al.Vigor identification of maize seedsbyusing hyperspectral imaging combined with multivariate dataanalysis[J].InfraredPhysicsamp;Technology，2022，126： 104361.

[18］丁子予，岳學(xué)軍，曾凡國，等.基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的玉米 種子活力光譜檢測[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，42（3）：230- 240.

[19]QI HN，HUANG ZH，JINBC，et al. SAM-GAN：an improved DCGAN for rice seed viability determination using near-infrared hyperspectral imaging[J].Computers and Electronics in Agriculture，2024，216：108473.

[20]HONG SJ，PARKS，LEE A，et al.Nondestructive predictionof pepper seed viability using single and fusion information of hyperspectral and X-ray images[J]. Sensors and Actuators A：Physical， 2023，350：114151.

[21］楊波，段明磊，楊童.基于高光譜成像技術(shù)的西瓜種子活 力等級分類方法研究[J].河南農(nóng)業(yè)科學(xué)，2022，51（9）：151- 158.

[22]周翔，興旺，楊軍，等.甜菜種子活力的測定;基于近紅 外高光譜技術(shù)[J].中國農(nóng)學(xué)通報(bào)，2021，37（29）：7-12.

[23]黃瑤，喬愛民，孫敏.熱水加速老化黃瓜種子的試驗(yàn)研究 [J].種子，2004，23（8）：11-12，26.

[24]董永梅，謝宗銘，王志軍，等.熱水老化對棉花種子活力及遺傳 完整性的影響[J].種子，2018，37（3）：19-22，27.

[25]HUANG Y Q，DONG C， LUO X S，et al. Facial expresson recognition algorithm based on improved VGG16 network[C]//IEEE. 2021 6th international symposium on computer and information processing technology. Changsha，China：IEEE，2021：480-485.

[26]SZEGEDY C， LIU W，JIAY Q，et al. Going deeper with convolutions[C]//IEEE. 2015 IEEE conference on computer vision and pattern recognition.Boston，MA，USA：IEEE，2015：1-9.

[27]YI P Y，GU W X， ZHANG K，et al. Improvement and application of MobileNetV3-small model in the field of smart grid[C]//IEEE. 2022 2nd international conference on electrical engineering and control science.Nanjing，China：IEEE，2022：1144-1148.

[28]PATIL O S，LE D M，GRIFFIS E J，et al. Deep residual neural network （ResNet）-based adaptive control： a Lyapunov-based approach[C/OL]//IEEE.2022 IEEE 61st conference on decision and control （CDC）.Cancun，Mexico：IEEE，2O22.https：//arxiv. org/pdf/2404.07385v2.

[29]WEI YX，LIUQX，ZHANG GX，et al.Label smoothing technique for ordinal classification in cloud assessment[C/OL]// IEEE.IGARSS 2020-2020 IEEE international geoscience and remote sensing symposium.Waikoloa，HI，USA：IEEE，2020.https：//ieeexplore.ieee.org/document/9323714.

[30]ATKINSON G，LI X M，METSIS V.Conditional diffusion with label smoothing for data synthesis from examples with noisy labels [C]/IEEE. 2023 31st european signal processing conference （EUSIPCO）.Helsinki，F(xiàn)inland：IEEE，2023：1300-1304.

[31]LIU R J， CUI B G，F(xiàn)ANG X，et al. Super-resolution of GF-1 multispectral wide field of view images via a very deep residual coordinate attention network[J]. IEEE Geoscience and Remote Sensing Letters，2022，19：5513305.

[32]WANGEY，SURZ，HUANGBY，et al.EnhancingYOLOv7- based fatigue driving detection through the integration of coordinate attention mechanism[C]//IEEE.2O23 IEEE international conference on image processing and computer applications. Changchun， China：IEEE，2023：725-729.

[33]HOUQB，ZHOUDQ，F(xiàn)ENGJS.Coordinate attention for efficient mobile network design[C]//IEEE.2021 IEEE/CVF conference on computer vision and pattern recognition.Nashville，TN， USA：IEEE，2021. https：//arxiv.org/abs/2103.02907.

[34]KRSTINIC D，SERIC L，SLAPNICAR I. Comments on‘MLCM： Multi-Label confusion matrix'[J]. IEEE Access，2023，11：40692- 40697.

[35]LARIOSG，NICOLODELLIG，RIBEIRO M，et al.Soybean seed vigor discrimination by using infrared spectroscopy and machine learningalgorithms[J].Analytical Methods，2020，12（35）：4303- 4309.

（責(zé)任編輯：石春林）