基于单粒种子成像的机器学习小麦品种识别方法

为何更智能的种子分拣至关重要

对农户和种子公司而言，区分不同小麦品种至关重要。播错品种可能导致产量下降、抗病性降低，以及作物不适应当地土壤或气候条件。然而，肉眼下许多小麦品种几乎难以分辨。本研究探讨了如何利用人工智能与单粒种子数码照片可靠地区分近缘品种，从而为更快、更廉价、更客观的种子质量控制铺平道路。

从专家目测到相机检测

如今，许多种子检测体系仍依赖人工专家通过目视判断种子品种与纯度。该过程既缓慢又昂贵，且容易产生分歧，特别是因为许多小麦品种仅在形状或表面纹理上存在细微差别。作者旨在用一种自动化系统替代这种主观方法，该系统使用在小型、光照受控的箱体中拍摄的单粒小麦图像。通过仔细标准化光照、距离和背景颜色，他们建立了六个常见伊朗小麦品种的清晰视觉记录，产生了数万张种子照片用于训练和测试计算模型。

教电脑识别种子的两种途径

研究比较了教机器识别小麦品种的两种广义策略。第一种方法中，研究者从每张种子图像手工提取了58项数值测量，包括基本形状（如长度与面积）、不同色彩空间下的颜色统计以及纹理模式。随后他们采用主成分分析将这些测量压缩为27个关键特征，并将其输入到一种传统神经网络——多层感知器中。第二种策略则跳过了手工特征设计，直接训练卷积神经网络——擅长处理图像的人工智能模型，从原始像素数据中学习有用的模式。

构建轻量但强大的深度学习模型

深度学习方法以多种形式进行了测试。作者设计了一个相对较小的网络，包含两到四个堆叠的卷积模块，并在不同训练设置上进行试验，比如学习率、丢弃率（dropout）和批量大小。他们还比较了两种收尾方式：传统的“全连接”层与一种更紧凑的方法——全局平均池化（global average pooling），后者用分类前的简单平均替代大型密集层。为作对照，他们还在相同小麦数据集上微调了两种重量级、广泛使用的架构——Inception-ResNet-v2 与 EfficientNet-B4，以评估专门设计的小模型与通用深层网络的差距。

系统识别籽粒的效果如何

表现最佳的是采用全局平均池化的自建卷积网络。该模型约有92%的正确识别率，并在多次训练中表现出高度稳定性。该模型不仅优于大型预训练网络，也胜过手工特征方法——后者在降维后准确率约为86%。混淆模式分析显示，轻量模型在区分外观极为相似的品种方面表现尤其出色，而更深的迁移学习模型则倾向于在有限数据集上过拟合。重要的是，获胜网络效率高：每张种子图像处理时间约为13.6毫秒，且仅有大约210万个可调参数，使其在低成本实时分拣设备中具有现实可行性。

局限、现实应用与下一步

当相同模型在完全不同的作物——鹰嘴豆种子上测试时，准确率显著下降，这表明针对小麦籽粒微小差异调优的系统并不会自动推广到其他物种。同样，由于所有训练图像均来自受控箱体，在多变的现场光照或部分被遮挡的籽粒情况下，性能可能下降。尽管如此，该工作表明：一个结构紧凑、设计得当的深度学习模型，配合标准化的单粒图像，能够可靠地区分肉眼几乎无法区分的小麦品种。借助更广泛的训练数据和更丰富的成像条件，类似系统有望成为自动化种子认证的实用工具，帮助农户获得更纯净的种子批次和更可预测的收成。

引用: Bagherpour, H., Shamohammadi, S. Machine learning approach for wheat variety identification using single-seed imaging. Sci Rep 16, 6472 (2026). https://doi.org/10.1038/s41598-026-35252-8

关键词: 小麦种子, 深度学习, 基于图像的分类, 种子质量, 精准农业