供试品种为“ 黑河43” 。 人工挑选大小均匀一致、 表面光滑、 无病斑虫孔的大豆籽粒1 620粒。 将供试大豆籽粒平均分为3组, 每组540粒。 采用恒温箱可控加热系统(型号: 北京BD/HS-500)模拟大豆在实际贮藏过程中可能遭遇的热损伤情况。 其中, 以室温(25 ℃)下贮藏30 d为对照; 以50 ℃恒温贮藏为试验组, 储藏时间设定为20和30 d, 作为轻度热损伤组和严重热损伤组。 图1为三组大豆样品部分RGB图像和高光谱伪彩图。

图1

Fig.1

Figure Option ViewDownloadNew Window

图1 部分大豆样品(A): RGB图像; (B): 高光谱伪彩图(由475.117 0、 536.973 0, 637.895 0 nm 波段组成); (a): 正常大豆(25 ℃保存); (b): 轻度热损大豆(50 ℃保存20 d); (c): 严重热损大豆(50 ℃保存30 d)Fig.1 Partial soybean samples(A): RGB images; (B): Hyperspectral pseudo-color images created at 475.117 0, 536.973 0, and 637.895 0 nm bands; (a): Normal soybeans images (stored at 25 ℃); (b): Slightly heat-damaged soybean images (stored at 50 ℃ for 20 days); (c): Severely heat-damaged soybean images (stored at 50 ℃ for 30 days)

实验使用美国HeadWall公司的高光谱图像采集系统获取高光谱图像。 该系统由带CCD(电荷耦合器件)传感器的Hyperspec^® VNIR高光谱成像仪[图2(a)]、 150 W可调功率光纤卤素灯[图2(b)]和由步进电机控制的样品输送平台[图2(c)、 (d)]组成。 高光谱仪的有效光谱范围覆盖400~1 000 nm。 图2展示了所介绍的高光谱采集系统。 设备的详细参数见表1。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高光谱图像采集系统(a): CCD传感器; (b): 卤素光源; (c): 大豆种子样本; (d): 伺服电机控制器Fig.2 Hyperspectral image acquisition system(a): CCD Sensor; (b): Halogen light source; (c): Soybean sample; (d): Servo motor controller

表1

Table 1

表1(Table 1)

表1 Headwall Pthotonics Hyperspec VNIR-A设备技术参数 Table 1 Headwall Pthotonics Hyperspec VNIL-A Technical specifications of the device 部件 参数 光谱摄像机光圈 F/2.0 光谱分辨率 2~3 nm 帧速率 > 90 fps 光谱采样间隔 0.74 nm 波长范围 400~1 000 nm 最大规格通道数 810 卤钨灯 21 V 150 W

表1 Headwall Pthotonics Hyperspec VNIR-A设备技术参数 Table 1 Headwall Pthotonics Hyperspec VNIL-A Technical specifications of the device

为获取稳定准确的光谱数据, 采集图像前, 对仪器进行预热20~30 min, 确保光照条件稳定。 为了在数据采集过程中保持大豆样品的稳定性, 使用如图2(c)所示的全黑钻孔托盘装载样品。 托盘每次装载108个样品。 平台以3.6 mm· s^-1的速度在30~180 mm的范围内水平移动, 以捕获高光谱图像。 如果出现严重的失真, 则重新获得图像。

使用ENVI 5.3软件对样本高光谱图像进行数据提取。 每组样本依次划定540个25× 25像素范围的感兴趣区域(regions of interest, ROI), 如图3所示在每个大豆样本中心区域选择25× 25像素的感兴趣区域, 减少了边缘效应和噪声的影响^[30]。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 ROI的选择方法Fig.3 ROI selection method

计算这些ROI的平均值作为原始数据, 原始光谱曲线如图4(a)所示。 同时, 为了削弱暗电流、 光源照度不均匀等环境因素以及系统因素对光谱图像的影响, 提取来自黑白参考面板的相应数据, 用于对光谱图像进行黑白校正, 校正公式为式(1)^[22]。

Rj=Rs-RdRw-Rd　(1)

式(1)中, R_j为样本经校正后的光谱数据; R_s为原始样本光谱数据; R_w为白色参考数据; R_d是暗参考数据。

为了增强光谱之间的差异性, 突显光谱的反射特征, 使用包络线去除法对校正后的数据进行处理, 并将它们标准化到统一的光谱基线上, 从而更有利于光谱曲线间的对比^[31]。 去除包络线后的光谱数据曲线如图4(b)所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 1620粒大豆样本光谱曲线(a): 1620粒大豆样品原始光谱曲线; (b)去除包络线后1620粒大豆样品的光谱曲线Fig.4 Spectra of 1620 soybean samples(a): Original spectra of 1620 soybean samples; (b) Spectra of 1620 soybean samples after envelope removal

从正常大豆、 轻度热损伤大豆、 严重热损伤大豆中分别挑选10粒大豆种子, 共计30粒大豆, 用于发芽试验。 将30粒大豆种子均匀播种于同一培育托盘中, 土壤采用营养土。 播种时均匀洒水, 保证每个种子附近土壤湿润。 之后每天根据土壤情况适量均匀补水。 培育7天后, 取出种子, 观察种子发芽情况。 发芽试验培育托盘如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 发芽试验培育托盘Fig.5 Germination test incubation tray

自2012年AlexNet网络发布以来, 卷积神经网络(CNN)在多个领域得到了广泛应用。 例如, 在目标检测任务中, R-CNN^[32]、 YOLO^[33]、 SSD^[34]等著名的卷积模型取得了显著成效。 在这些视觉任务的卷积模型中, 为了提升模型对不同尺度目标的检测性能, 研究人员开发了如Bottleneck、 Res2Net、 CSP(Cross Stage Partial)等模块^{[33, 35]}, 从而显著提高了模型的检测效果。 受这些模块的启发, 本工作提出了一种适用于一维卷积网络的多尺度跨通道一维卷积模块(multi-scale cross-channel one-dimensional convolutional block, MSC1D), 并基于该模块构建了一种一维卷积神经网络分类模型。 网络结构如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 MSC1DCNN网络结构图Fig.6 Network architecture diagram of MSC1DCNN

在MSC1D模块中, 首先通过一个尺寸为1× 1的卷积操作对输入特征图X∈ R^{B× C× L}进行通道变换。 随后, 调整后的特征X'=[X'₁, X'₂, X'₃], X'_i∈ R^{B× C× L}, i=1, 2, 3, 在通道维度上被均分为三份, 分别作为模块中三个分支的输入。 受CSP模块设计理念的启发, 第一分支采用跳跃连接, 将输入特征直接传递至输出阶段, 从而在网络的深层次依然保留初始信息, 有助于低层与高层特征的有效融合, 提升模型的泛化能力。

第二分支采用反向瓶颈结构, 包括一个1× 1卷积层、 一个1× k深度卷积层, 以及另一个1× 1卷积层。 该分支的输入为第一分支输出与当前分支输入的加权和, 这种跨通道连接机制强化了通道间的信息交互, 进一步提升了特征提取能力。

第三分支结构与第二分支类似, 其输入则由第二分支输出与自身输入的加权平均得到, 进一步增强了特征的层次表达能力。 最终, 三个分支的输出特征通过拼接操作进行融合, 并经过一个卷积操作实现跨通道的信息交互, 从而有效缓解并行计算中通道间信息隔离的问题。 此外, 在反向瓶颈层中引入深度卷积替代标准卷积, 能够在保证特征提取能力的前提下有效降低因大核卷积带来的计算复杂度。 计算过程如式(2)— 式(6)

X'=Conv1×1(X), X'=[X'1, X'2, X'3], X'i∈RB×C×L, i=1, 2, 3　(2)

O1=X'1, O1∈RB×C×L　(3)

O2=Conv1×1(Convdepthwise1×k(Conv1×1(X'2+O1))), O2∈RB×C×L　(4)

O3=Conv1×1(Convdepthwise1×k(Conv1×1(X'3+O2))), O3∈RB×C×L　(5)

Y=Conv1×1(Concat(O1, O2, O3)), Y∈RB×C×L　(6)

其中, X∈ R^{B× C× L}是批次数为B, 通道数为C, 长度为L, 的输入特征图。 Conv_{1× 1}和Con v1×kdepthwise分别表示卷积核大小为1× 1 的一维卷积和卷积核大小为1× k的一维深度卷积。 O₁, O₂和O₃表示三个分支的输出特征图。 Concat表示在通道维度对三个分支的输出特征图进行拼接融合。 Y表示MSC1D模块的输出特征图。

为了客观评估模型的性能, 采用准确率(Accuracy)、 召回率(Recall)和F1分数(F1-score)作为主要评价指标。 这些指标在分类任务中被广泛使用, 能够有效衡量模型的整体性能及对特定类别的识别能力。 三种评价指标的计算公式如式(7)— 式(9)

Accuracy=TP+TNTP+TN+FP+FN　(7)

Recall=TPTP+FN　(8)

F1⁃score=2×TP2TP+FP+FN　(9)

其中, TP(True Positives)表示预测为正类且实际为正类的样本数; TN(True Negatives)表示预测为负类且实际为负类的样本数; FP(False Positives)表示预测为正类且实际为负类的样本数; FN(False Negatives)表示预测为负类且实际为正类的样本数。

三类热损伤程度不同的大豆籽粒在420~500和750~1 000 nm波段范围内的平均光谱曲线如图7所示。 从图中可以明显看出, 随着热损伤程度的加重, 大豆籽粒的光谱反射率在上述两个波段呈现出逐步升高的趋势。 在420~500 nm蓝光区域, 热损伤籽粒的反射率显著高于正常籽粒。 其主要原因是高温作用导致种皮表层发生物理结构变化, 表现为表面紧致、 皱缩及微裂纹增多^[36]。 这类表面形貌的改变显著增强了该波段的光散射能力, 使得原本可被种皮吸收的一部分蓝光转而被反射, 从而提高了该波段的反射率。 此外, 种皮表层质地变硬、 反射界面增强, 也可能进一步提高蓝光区域的光反射水平。 在750~1 000 nm近红外波段, 热损伤籽粒同样表现出明显的反射率升高。 近红外区尤其是960 nm附近是大豆水分的合频吸收峰。 热损伤引起细胞膜结构破坏, 使胞内水分大量流失, 导致水分吸收特性减弱, 进而使热损伤籽粒在近红外波段的光谱吸收能力下降, 表现为反射率升高。 此外, 热应激还会引发蛋白质热变性、 细胞成分外渗等一系列生化变化, 进一步改变组织内部的折射率和吸收结构, 造成热损伤籽粒在近红外波段的光谱吸收能力下降^[37]。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 平均光谱曲线Fig.7 Mean spectra

综合来看, 大豆籽粒热损伤程度越高, 其引发的水分流失和结构破坏越严重, 光谱反射率在上述两个波段也随之逐级升高。

实验数据集包括1620粒大豆种子, 其中正常大豆、 轻度热损伤大豆和严重热损伤大豆各540颗。 数据集按8∶ 2的比例划分为训练集和测试集。

实验采用的软件环境为基于Windows 11、 python 3.10.15、 Pytorch 2.5.1搭建的深度学习环境。 实验硬件平台CPU为Inter(R) Core(TM) i5-12400F, 显卡为AUSU Geforce RTX 4060。

使用Pycharm软件建立SVC、 KNN、 1D-CNN和MSC1DCNN模型, 分别对全波段原始光谱数据进行建模分析。 模型性能的统计结果如表2和图8所示。 从表2可以看出, MSC1DCNN模型的分类效果最佳, 在三个评价指标上均表现出色, 准确率为99.07%, 召回率为99.07%, F1分数为99.07%。

表2

Table 2

表2(Table 2)

表2 四种模型在测试集上的性能统计 Table 2 Performance statistics of four models on Validation Sets 模型 准确率 召回率 F1分数 KNN 84.25% 84.25% 84.39% SVC 88.27% 88.27% 88.32% 1D-CNN 92.90% 92.90% 92.90% MSC1DCNN 99.07% 99.07% 99.07%

表2 四种模型在测试集上的性能统计 Table 2 Performance statistics of four models on Validation Sets

表3

Table 3

表3(Table 3)

表3 不同模型在正常与轻微损伤类别间的误判对比 Table 3 Comparison of misjudgment between normal and minor injury categories using different models 模型 正常被误判为 轻微损伤数量 轻微损伤被误 判为正常数量 总误判率 MSC1DCNN 2 1 1.39% 1D CNN 11 10 9.72% SVC 14 12 12.04% KNN 20 14 15.74%

表3 不同模型在正常与轻微损伤类别间的误判对比 Table 3 Comparison of misjudgment between normal and minor injury categories using different models

观察图8, 特别是图中正常大豆与轻度热损伤大豆的鉴别结果, MSC1DCNN模型在区分轻度热损伤大豆与正常大豆方面显著优于其他三种模型。 正常大豆与轻微热损伤大豆之间只存在3例交叉误(判误判率1.39%)。 相比之下, SVC模型在区分这两类大豆时存在26例交叉误判, 误判率为12.04%; KNN模型存在34例交叉误判, 误判率为15.74%; 1D CNN模型存在21例交叉误判, 误判率为9.72%(见表3)。 这表明, MSC1DCNN模型不仅在鉴别热损伤大豆方面表现优异, 而且还能提取轻度热损伤与正常大豆之间的细微特征, 显著提高鉴别能力。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 四种模型验证集的混淆矩阵(a): SVC; (b): KNN; (c): 1D CNN; (d): MSC1DCNNFig.8 Confusion matrices of four model validation sets(a): SVC; (b): KNN; (c): 1D CNN; (d): MSC1DCNN

为验证MSC1DCNN模型在识别大豆热损伤方面的有效性, 采用均匀流形近似与投影(UMAP)技术对卷积层提取的特征图进行可视化。 将测试集光谱数据输入到MSC1DCNN和1DCNN模型中, 并提取模型输入全连接层的特征图进行可视化。 从图9中可看出, 1DCNN模型中各类样本(正常大豆、 轻度热损伤大豆、 严重热损伤大豆)的类内紧密度较差, 边界模糊。 特别是正常大豆与轻微热损伤大豆之间存在一定重叠区域, 表明模型在区分正常大豆与轻微热损伤大豆的特征方面具有一定局限性。 MSC1DCNN模型中的各类样本分布更为清晰, 各类别之间的间距较大, 类内聚集性强, 表明MSC1DCNN的特征提取能力优异。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 基于UMAP的大豆种子可视化分类图(a): 1D CNN模型结果可视化; (b): MSC1DCNN模型结果可视化Fig.9 Visual classification of soybean seeds based on UMAP(a): Visualization of 1D CNN modeling results; (b): Visualization of MSC1DCNN modeling result

发芽试验结果如图10所示。 对照组大豆籽粒均能正常发芽, 且幼苗根系完整、 发育良好, 说明其细胞结构和水分、 能量储备尚佳。 轻度热损伤组的籽粒发芽率有所下降, 根系短小、 幼苗生长受限, 表明部分细胞结构和代谢功能受损。 严重热损伤组的籽粒可以完成吸涨作用, 但绝大部分不能发芽或个别发芽种子根系极度退化。 这热损伤引起的水分流失、 细胞膜破坏及能量代谢紊乱的机制一致^{[9, 36]}。 高温胁迫下, 种子为应对不利环境需消耗大量ATP, 导致后期萌发阶段能量供应不足; 同时, 细胞膜脂质降解造成活性物质流失, 也是导致萌发失败的重要因素。 因此, 热损伤程度越高, 种子活性越低, 发芽能力越差。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 大豆种子发芽情况(a): 正常大豆种子发芽情况; (b): 轻度损伤大豆种子发芽情况; (c): 严重热损伤大豆种子发芽情况Fig.10 Germination of soybean seeds(a): Germination of normal soybean seeds; (b): Germination of lightly damaged soybean seeds; (c): Germination of severely heat-damaged soybean seeds