摘要： 油菜籽品种精准识别对保障种子纯度与粮油安全至关重要。然而,现有高光谱检测模型参数冗余、计算开销大,严重制约了其在便携设备与无人机等算力受限平台上的应用。为此,本文提出一种高光谱轻量化识别模型(spectral-adaptive-selectorspectral-spatial-hybrid-encoderlight-swin-transformer,SSL-SwinT)。构建轻量化SwinT主干,通过优化配置与输入降维实现结构压缩;设计光谱自适应选择器(spectraladaptiveselector,SAS),基于全局平均池化(globalaveragepooling,GAP)和多层感知机注意力机制(multi-layerperceptron,MLP)动态筛选有效光谱波段,大幅消除冗余信息干扰;构建空间-光谱混合编码器(spectral-spatialhybridencoder,SSHE),采用深度可分离卷积实现空谱特征的解耦与协同提取。实验采用GaisField-Dz高光谱相机采集的数据集,涵盖了11个品种的128个波段信息,用以全面验证所提模型的性能。实验表明,SSL-SwinT在F1分数高达99.57%的前提下,参数量(27.72M降至4.99M)与模型体积(105.81MB降至17.44MB)均实现82%的压缩。消融实验证实了各模块间的协同增效作用。本研究为农业高光谱技术的轻量化边缘部署提供了可靠方案。

关键词: 高光谱成像;油菜种子;品种识别;深度学习;SwinTransformer

中图分类号: 

• S565.4