本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

主要作者及研究机构

本研究由Liu Zhang、Yaoguang Wei、Jincun Liu、Jianwei Wu和Dong An共同完成。作者分别来自中国农业大学的国家数字渔业创新中心、农业农村部智能养殖技术重点实验室、北京农业物联网工程技术研究中心、中国农业大学信息与电气工程学院，以及北京市农林科学院信息技术研究中心和北京派得科技发展有限公司。该研究于2023年10月21日在线发表在期刊《Expert Systems with Applications》上，文章编号为238 (2024) 122273。

学术背景

本研究的主要科学领域是高光谱成像（Hyperspectral Imaging, HSI）与深度学习（Deep Learning, DL）在农业种子品种识别中的应用。高光谱成像技术能够通过捕获数百个连续波段的光谱信息，提供丰富的化学和物理特征，因此在种子品种识别中具有重要应用价值。然而，高光谱数据的高维性和冗余信息对实时在线应用提出了挑战。传统的波段选择（Band Selection, BS）方法主要基于化学计量学，未能充分考虑光谱波段之间的非线性关系和全局交互作用，导致选择的光谱波段仍包含较多冗余信息。为了解决这一问题，本研究提出了一种基于稀疏波段注意力网络（Sparse Band Attention Network）的高光谱波段选择方法，旨在通过深度学习技术选择最具代表性的波段，从而提高种子品种识别的效率和准确性。

研究流程

本研究的主要流程包括以下几个步骤：

1. 数据采集与预处理
   研究使用了20种广泛种植于中国的优质玉米品种，每种品种包含500粒种子，共计10,000粒种子。所有种子均来自中国山东省，于2021年收获并经过自然干燥和人工筛选，确保每粒种子完整无损。高光谱数据通过推扫式高光谱成像仪（Spectrograph）采集，光谱范围为382.2–1026.7 nm，共728个波段。数据采集后，进行了图像校正、图像分割和光谱数据提取等预处理步骤。图像校正通过黑白校正将原始光谱图像转换为反射率值；图像分割通过阈值分割法将种子从背景中分离；光谱数据提取则计算每个种子在感兴趣区域（ROI）内的平均光谱，最终保留678个高信噪比波段。

2. 稀疏波段注意力网络的构建
   本研究提出了一种新颖的波段选择网络，该网络由稀疏波段注意力模块（Sparse Band Attention Module）和分类网络模块（Classification Net Module）组成。稀疏波段注意力模块用于生成每个波段的权重，并通过稀疏约束（Sparse Constraint）进一步去除冗余波段；分类网络模块则用于对加权后的数据进行高性能分类。为了解决稀疏约束带来的梯度更新问题，研究还定义了一个辅助损失函数（Auxiliary Loss Function）来辅助优化。

3. 实验设置与对比分析
   研究选择了六种波段选择方法进行对比，包括五种基于化学计量学的方法（CARS、SPA、RF、MCUVE、PCA-loading）和一种基于波段注意力的方法（BS-Net-Conv）。所有方法的性能通过径向基函数支持向量机（RBF-SVM）分类器进行评估，并使用总体准确率（OA）和Kappa系数作为评价指标。研究进行了10次独立实验，比较了不同波段子集大小下的分类性能。

4. 结果分析
   实验结果表明，本研究提出的方法在波段选择性能和分类准确率上均优于其他对比方法。特别是在选择50个波段时，本方法的OA和Kappa系数分别达到95.20%和0.9495，显著高于其他方法。此外，通过分析所选波段的位置和香农熵值（Shannon Entropy），研究发现本方法选择的波段分布更加离散，避免了过多相邻波段带来的冗余信息。

主要结果

1. 波段选择性能
   本研究提出的方法在选择50个波段时表现最佳，OA和Kappa系数分别为95.20%和0.9495，显著高于其他对比方法。这表明本方法能够有效选择最具代表性的波段，从而提高分类性能。

2. 波段分布分析
   通过分析所选波段的位置和香农熵值，研究发现本方法选择的波段分布更加离散，避免了过多相邻波段带来的冗余信息。此外，所选波段主要集中在400–600 nm和900–1000 nm范围内，这两个波段分别与玉米种子外皮色素吸收和碳水化合物吸收相关，具有重要的光谱化学信息。

3. 消融实验
   消融实验进一步验证了本方法中各个组件的重要性。实验结果表明，波段注意力模块、稀疏约束和辅助损失函数的结合显著提高了分类性能，特别是辅助损失函数的引入有效解决了稀疏约束带来的梯度更新问题。

结论

本研究提出了一种基于稀疏波段注意力网络的高光谱波段选择方法，能够有效选择最具代表性的波段，从而提高玉米种子品种识别的准确性和效率。该方法在波段选择性能和分类准确率上均优于传统的化学计量学方法和其他深度学习方法，为开发实时在线种子品种识别系统提供了理论支持。此外，本研究的成果还为食品和农产品质量评价领域提供了新的研究方向，推动了深度学习在高光谱波段选择中的应用。

研究亮点

1. 新颖的波段选择方法
   本研究首次将稀疏波段注意力机制引入高光谱波段选择中，通过深度学习技术自动学习光谱波段之间的非线性关系，显著提高了波段选择的效率和准确性。

2. 高效的分类性能
   实验结果表明，本方法在选择50个波段时的分类性能显著优于其他方法，为实时在线种子品种识别提供了高效解决方案。

3. 广泛的应用前景
   本研究的成果不仅适用于玉米种子品种识别，还可推广到其他农产品和食品的质量评价中，具有广泛的应用前景。

其他有价值的内容

本研究还详细讨论了高光谱成像技术在农业中的应用现状，以及传统波段选择方法的局限性，为后续研究提供了重要的参考依据。此外，研究还提出了一种新的损失优化策略，有效解决了稀疏约束带来的梯度更新问题，为深度学习在高光谱数据处理中的应用提供了新的思路。