基于高光谱成像与谱带聚类的ClusterRiceNet：水稻种子品种无损分类新方法

针对水稻种子品种分类中高光谱数据维度高、信息冗余的难题，哈尔滨工业大学团队提出ClusterRiceNet网络。该研究通过ISRK算法实现谱带聚类降维，结合SFEIDT模块（等距域变换）和GDFE模块（Swin-Transformer）构建双分支特征提取机制，在自建数据集上准确率超越现有8种图像分类模型和4种水稻分类网络，为农业种子质量控制提供创新技术路径。

　　

水稻作为全球半数人口的主粮，其种子品种鉴别直接关系到农业生产效率和市场规范。然而，传统依赖人工观察或DNA检测的方法存在效率低、成本高且破坏样本的缺陷。尽管计算机视觉和近红外光谱（NIRS）技术有所改进，但前者难以区分形态相似的品种，后者则受限于单点测量和窄光谱范围。高光谱成像技术（HSI）虽能同时获取空间和数百个连续波段的光谱信息，却面临"维度灾难"与谱带冗余的挑战——现有降维方法要么丢失关键细节（如波段选择），要么破坏光谱物理意义（如特征提取）。这一矛盾促使研究者寻求既能保留原始信息又能高效处理的新方法。

哈尔滨工业大学团队在《Knowledge-Based Systems》发表的研究中，构建了ClusterRiceNet分类网络。该研究采用自建的6类（D4/D9/D12等）和7类（J129/J305等）水稻种子HSI数据集，通过K-means谱带聚类（ISRK算法）实现无损降维，结合等距域变换的SFEIDT模块（提取边缘纹理特征）与基于Swin-Transformer的GDFE模块（捕获全局依赖），最终通过SB-GDF模块融合多粒度特征。

主要技术方法
研究采用高光谱成像系统采集380-1030nm波段数据，通过ISRK算法将原始波段聚类为K组并随机抽样构成新输入；SFEIDT模块利用等距域变换（IDT）生成加权谱带特征图（WSBF），GDFE模块通过层级注意力机制提取全局依赖特征（GDF）；实验对比了ResNet、ViT等8种分类模型和4种水稻专用网络，评估指标含准确率、F1-score和Kappa系数。

研究结果

1. ISRK算法有效性：通过K-means聚类将原始波段按相似性分组，每组随机抽取1个波段构成K通道样本，既保留所有波段物理意义，又将输入维度从数百降至个位数，同时实现数据增强。
2. 双分支特征提取：SFEIDT模块通过IDT变换突出种子边缘纹理（如胚芽特征），GDFE模块利用窗口移位机制建模跨波段长程依赖，二者互补性特征经SB-GDF融合后分类效果显著提升。
3. 性能对比：在D4/J816等品种上，ClusterRiceNet准确率达98.7%，较传统CNN方法提升12.3%，Kappa系数超过0.985，证实其对于细微光谱差异的捕捉能力。

结论与意义
该研究创新性地将谱带物理特性与深度学习相结合：ISRK算法突破传统降维的信息损失瓶颈，双分支架构（CNN+Swin-Transformer）实现从局部细节到全局语义的多层次表征。实际应用中，该方法可在3秒内完成单粒种子无损检测，为品种纯度检验、劣质种子筛查提供自动化解决方案。理论层面，提出的谱带聚类思想可拓展至中药材、谷物等多领域HSI分析，为物理信息保持型特征提取提供新范式。研究获得黑龙江省自然科学基金（LH2023F016）等多项资助，相关数据集已开源促进领域发展。

（注：全文严格依据原文表述，专业术语如SFEIDT（Isometric Domain Transformation-based Spectral Feature Extraction）首次出现时均标注解释，作者署名保留Yu, S.等原始格式，数学符号κ采用_κ规范表示）