这篇文档属于类型a，即报告了一项原创研究的学术论文。以下是对该研究的详细介绍：

主要作者及研究机构

本研究的主要作者包括Liu Zhang、Jinze Huang、Yaoguang Wei、Jincun Liu、Dong An和Jianwei Wu。研究团队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以及信息与电气工程学院。此外，北京农林科学院信息技术研究中心和北京派德科技发展有限公司也参与了研究。该研究于2023年7月26日发表在《Expert Systems with Applications》期刊上，文章编号为121043。

学术背景

本研究的主要科学领域是种子分类，特别是玉米种子品种的分类。随着全球人口增长和气候变化，玉米作为世界三大谷物之一，其品种的快速更新和优化对农业和工业至关重要。然而，玉米品种繁多，收集所有品种的训练样本以训练分类器极为困难，因此在实际应用中，玉米种子分类面临着品种更新和未知品种拒绝的挑战。传统的分类方法通常基于封闭集（closed set），无法处理开放集（open set）中的未知类别。本研究旨在提出一种基于高光谱成像（hyperspectral imaging, HSI）和双深度支持向量数据描述（dual deep support vector data description, DDSVDD）的增量学习（incremental learning, IL）框架，以实现玉米种子品种的快速、无损分类，并能够在开放集中拒绝未知品种。

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“推扫式”反射高光谱成像系统采集玉米种子的高光谱图像。该系统包括光谱仪、计算机、传送带、溴钨灯光源等核心组件。采集的图像经过黑白校正，转换为反射率值（0-1），并裁剪掉噪声较大的波段，最终保留678个波段。每个玉米种子被分割为64×64×678的图像块，并通过阈值分割算法将种子与背景分离。

2. 光谱和空间特征提取
   研究设计了双深度支持向量数据描述（DDSVDD）模型，利用光谱和空间信息为每个玉米品种定义一个超球体（hypersphere）。光谱特征提取模块使用1D卷积神经网络（CNN），空间特征提取模块使用2D CNN。为了消除冗余波段的干扰，研究还引入了波段注意力和稀疏约束模块（band attention and sparse constraint, BA-SC），自动生成每个波段的权重，并将冗余波段的权重置零。

3. 增量学习框架
   研究提出了一种基于多个单类分类器（one-class classifier, OCC）的增量学习框架（multiple one-class classifiers based incremental learning, MOC-IL）。每个OCC只学习一个类别的样本，当新类别出现时，训练一个新的OCC以实现增量学习。该框架避免了旧数据的存储需求，并能够克服灾难性遗忘（catastrophic forgetting）。

4. 实验设置与对比方法
   研究将20个已知品种的样本分为5个和10个增量批次进行训练和测试，并使用5个未知品种的样本测试模型的拒绝能力。对比方法包括两种主流的增量学习方法：LwF（Learning without Forgetting）和BiC（Bias Correction）。所有算法均在PyTorch框架下实现。

5. 分类结果与分析
   研究通过实验验证了MOC-IL框架在接收已知类别和拒绝未知类别方面的性能。结果表明，MOC-IL在5个和10个增量批次中的准确率均高于90%，显著优于LwF和BiC方法。此外，研究还通过消融实验分析了各模块对分类性能的影响，验证了光谱-空间特征融合、波段注意力和稀疏约束模块的有效性。

主要结果

1. 增量学习性能
   MOC-IL框架在5个和10个增量批次中的接收已知类别准确率（ARKC）分别为91.19%和91.64%，拒绝未知类别准确率（ARUC）分别为93.56%和94.16%。相比之下，LwF和BiC方法的准确率随着增量批次的增加显著下降，表明MOC-IL能够有效克服灾难性遗忘。

2. 消融实验结果
   消融实验表明，单独使用空间信息或光谱信息的分类性能较差，而融合光谱-空间特征后，分类性能显著提升。波段注意力和稀疏约束模块进一步提高了模型的准确率，验证了其去除冗余信息的有效性。

3. 稀疏波段数量对分类性能的影响
   研究还分析了不同稀疏波段数量对分类性能的影响。结果表明，当稀疏波段数量为300时，模型性能最佳，进一步验证了波段选择的重要性。

结论

本研究提出了一种基于高光谱成像和双深度支持向量数据描述的增量学习框架，成功实现了玉米种子品种的快速、无损分类，并能够在开放集中拒绝未知品种。该框架通过融合光谱和空间信息、引入波段注意力和稀疏约束模块，显著提高了分类性能。此外，MOC-IL框架避免了旧数据的存储需求，并能够有效克服灾难性遗忘，具有较高的应用价值。

研究亮点

1. 创新性方法
   本研究首次将双深度支持向量数据描述（DDSVDD）应用于玉米种子分类，并结合增量学习框架，解决了开放集中的未知类别拒绝问题。

2. 高效性能
   MOC-IL框架在接收已知类别和拒绝未知类别方面的准确率均高于90%，显著优于现有的增量学习方法。

3. 模块化设计
   研究通过光谱-空间特征融合、波段注意力和稀疏约束模块的引入，进一步提升了模型的分类性能，验证了各模块的有效性。

其他有价值的内容

本研究还探讨了稀疏波段数量对分类性能的影响，为未来的波段选择研究提供了重要参考。此外，研究团队计划在未来考虑地理来源、年份、农艺条件等因素，收集更丰富的种子数据，以提高系统的鲁棒性。

本研究为玉米种子品种的分类提供了一种高效、无损的解决方案，具有重要的科学价值和应用前景。