近日，中科院合肥研究院智能所作物品质智能感知团队发展了一种近红外光谱技术方向的新算法，该算法适用于高通量鉴定作物品种的真实性。相关工作被Infrared Physics & Technology接收并在线发表。

　　作物品种真实性在品种保护及品种选育方面具有重要意义，传统的作物品种真实性鉴定方法如DNA分子鉴定、同工酶鉴定、田间鉴定等方法存在操作复杂、检测结果耗时、损伤样品、污染环境、结果滞后等缺点，亟需一种快速有效的方法实现作物品种真实性鉴定。近红外光谱是一种快速无损检测技术，基于近红外光谱仪开发的光谱采集系统，可实现高通量采集作物单籽粒光谱。近年来，由于人工智能和深度学习的快速发展，卷积神经网络（CNN）已逐渐应用于分子光谱学，相比于传统的化学计量学算法，CNN在识别方面表现出更高的准确性和鲁棒性，这为近红外光谱技术的应用和发展提供有力支撑。

　　为此，研究人员提出了一种改进的CNN：InResSpectra网络，用于小麦和水稻品种真实性的高通量鉴定。该网络对Inception网络进行改进，删除1×1卷积分支降低模型复杂度，同时增加ResNet网络的残差元素，加速了神经网络的训练，同时提升模型的准确率；同时，实验中对比研究了多种分类算法，不断优化模型参数，提高模型预测的稳健性。在此次研究中，研究人员将开发的系统应用于鉴定24个小麦品种和21个水稻品种上，分别取得95.35%和93.07%的准确率（图1），为近红外鉴定作物品种真实性提供了有效方法。

　　李晓红硕士和徐琢频博士为该论文第一作者，王琦副研究员和张鹏飞副研究员为通讯作者。该工作得到国家自然科学基金、安徽省科技重大专项、以及安徽省重点研究与开发计划等项目的支持。

　　原文链接：https://www.sciencedirect.com/science/article/pii/S135044952200216X?dgcid=author 

InResSpectra网络识别小麦和水稻样本集的混淆矩阵热力图