The Crop Journal | 黑龙江大学联合中国农科院作科所建立大豆品种分类模型

▼

大豆品种的快速精准分类对质量控制和农业生产具有重要意义。基于高光谱成像的深度学习模型能够有效的对大豆种子进行品种分类，但是当前的种子品种分类深度学习模型未能有效结合局部与全局空间特征，且对小样本数据的适应能力较弱，限制了其实用性。

近日，黑龙江大学联合中国农业科学院作物科学研究所在The Crop Journal在线发表了题为“ DAFFnet: seed classification of soybean variety based on dual attention feature fusion networks”的研究论文，建立了DAFFnet（Duel Attention Feature Fusion networks）深度学习模型，通过三维卷积模块和二维卷积模块提取高光谱图像的空间、光谱和纹理特征，并结合卷积块注意力机制与轻量视觉Transformer注意力机制，在局部空间特征捕捉与全局空间特征捕捉之间实现优势互补，进而提高模型在大豆种子品种分类这一任务上的准确率、泛用性以及在小样本数据上的适用能力。

实验结果表明，DAFFnet在大豆种子品种分类任务中表现出卓越的性能，在分类准确率（96.15%）、精确率（96.2%）、F1值（96.18%）和Kappa系数（95.73%）等关键指标上全面优于当前应用于高光谱种子品种分类的其他主流模型（图1）。这些结果不仅证明了DAFFnet在捕获高光谱图像空间、光谱和纹理特征方面的优势，还表明其对分类任务的强大适应能力和高效特征提取能力。通过t-SNE特征可视化分析进一步验证，DAFFnet在特征提取和类别分离方面的能力显著优于其他方法，能够将不同大豆品种的数据特征清晰地分离成簇，从而大幅提高分类的准确性（图2）。此外，在使用包含来自不同地区的大豆种子的数据的验证数据集时，DAFFnet同样表现出优越的性能，其分类效果显著优于其他模型。这一结果进一步展现了DAFFnet在多样化数据和不同生长区域大豆种子分类任务中的强大泛用性（图3）。即使在训练数据比例大幅减少的情况下，DAFFnet依然能够保持高水平的分类性能。当仅使用40%的训练数据时，其分类准确率仍能达到90%以上，显示出对小样本数据的适应能力和稳健性（图4）。

图1 不同模型在数据集上分类结果的混淆矩阵对比

（A–H）其他模型。（I）DAFFnet模型。

图2 DAFFnet模型在不同处理阶段下的分类结果t-SNE可视化

图3 不同模型在验证数据集上分类结果的混淆矩阵对比

（A–H）其他模型。（I）DAFFnet模型。

图4 DAFFnet模型在不同比例训练集上的分类结果的效果对比

（A）分类结果的效果对比。

（B–E）不同比例训练集上的分类结果的混淆矩阵。

作者和基金项目

黑龙江大学硕士研究生张凌羽为该文第一作者，黑龙江大学孙来军教授和中国农业科学院作物科学研究所金秀良研究员为共同通信作者，合作单位包括黑龙江大学现代农业与生态环境学院。该研究得到黑龙江省自然科学基金（SS2021C005）、黑龙江省重点研发计划（GZ20220121）和中国农业科学院农业科技创新项目的资助。