近日，中科院合肥研究院智能所作物品質(zhì)智能感知團(tuán)隊(duì)發(fā)展了一種近紅外光譜技術(shù)方向的新算法，該算法適用于高通量鑒定作物品種的真實(shí)性。相關(guān)工作被Infrared Physics & Technology接收并在線發(fā)表。

　　作物品種真實(shí)性在品種保護(hù)及品種選育方面具有重要意義，傳統(tǒng)的作物品種真實(shí)性鑒定方法如DNA分子鑒定、同工酶鑒定、田間鑒定等方法存在操作復(fù)雜、檢測結(jié)果耗時(shí)、損傷樣品、污染環(huán)境、結(jié)果滯后等缺點(diǎn)，亟需一種快速有效的方法實(shí)現(xiàn)作物品種真實(shí)性鑒定。近紅外光譜是一種快速無損檢測技術(shù)，基于近紅外光譜儀開發(fā)的光譜采集系統(tǒng)，可實(shí)現(xiàn)高通量采集作物單籽粒光譜。近年來，由于人工智能和深度學(xué)習(xí)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）已逐漸應(yīng)用于分子光譜學(xué)，相比于傳統(tǒng)的化學(xué)計(jì)量學(xué)算法，CNN在識(shí)別方面表現(xiàn)出更高的準(zhǔn)確性和魯棒性，這為近紅外光譜技術(shù)的應(yīng)用和發(fā)展提供有力支撐。

　　為此，研究人員提出了一種改進(jìn)的CNN：InResSpectra網(wǎng)絡(luò)，用于小麥和水稻品種真實(shí)性的高通量鑒定。該網(wǎng)絡(luò)對(duì)Inception網(wǎng)絡(luò)進(jìn)行改進(jìn)，刪除1×1卷積分支降低模型復(fù)雜度，同時(shí)增加ResNet網(wǎng)絡(luò)的殘差元素，加速了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，同時(shí)提升模型的準(zhǔn)確率；同時(shí)，實(shí)驗(yàn)中對(duì)比研究了多種分類算法，不斷優(yōu)化模型參數(shù)，提高模型預(yù)測的穩(wěn)健性。在此次研究中，研究人員將開發(fā)的系統(tǒng)應(yīng)用于鑒定24個(gè)小麥品種和21個(gè)水稻品種上，分別取得95.35%和93.07%的準(zhǔn)確率（圖1），為近紅外鑒定作物品種真實(shí)性提供了有效方法。

　　李曉紅碩士和徐琢頻博士為該論文第一作者，王琦副研究員和張鵬飛副研究員為通訊作者。該工作得到國家自然科學(xué)基金、安徽省科技重大專項(xiàng)、以及安徽省重點(diǎn)研究與開發(fā)計(jì)劃等項(xiàng)目的支持。

　　原文鏈接：https://www.sciencedirect.com/science/article/pii/S135044952200216X?dgcid=author 

InResSpectra網(wǎng)絡(luò)識(shí)別小麥和水稻樣本集的混淆矩陣熱力圖