近日，中科院合肥研究院智能所作物品質智能感知團隊發展了一種近紅外光譜技術方向的新算法，該算法適用于高通量鑒定作物品種的真實性。相關工作被Infrared Physics & Technology接收并在線發表。
 

　　作物品種真實性在品種保護及品種選育方面具有重要意義，傳統的作物品種真實性鑒定方法如DNA分子鑒定、同工酶鑒定、田間鑒定等方法存在操作復雜、檢測結果耗時、損傷樣品、污染環境、結果滯后等缺點，亟需一種快速有效的方法實現作物品種真實性鑒定。近紅外光譜是一種快速無損檢測技術，基于近紅外光譜儀開發的光譜采集系統，可實現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習的快速發展，卷積神經網絡(CNN)已逐漸應用于分子光譜學，相比于傳統的化學計量學算法，CNN在識別方面表現出更高的準確性和魯棒性，這為近紅外光譜技術的應用和發展提供有力支撐。
 

　　為此，研究人員提出了一種改進的CNN：InResSpectra網絡，用于小麥和水稻品種真實性的高通量鑒定。該網絡對Inception網絡進行改進，刪除1×1卷積分支降低模型復雜度，同時增加ResNet網絡的殘差元素，加速了神經網絡的訓練，同時提升模型的準確率；同時，實驗中對比研究了多種分類算法，不斷優化模型參數，提高模型預測的穩健性。在此次研究中，研究人員將開發的系統應用于鑒定24個小麥品種和21個水稻品種上，分別取得95.35%和93.07%的準確率(圖1)，為近紅外鑒定作物品種真實性提供了有效方法。
 

　　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基金、安徽省科技重大專項、以及安徽省重點研究與開發計劃等項目的支持。
 

InResSpectra網絡識別小麥和水稻樣本集的混淆矩陣熱力圖