Aufgrund der kleinen Stichprobengröße der Nahinfrarotspektroskopiedaten von Weizen und begrenzten spektralen Informationen ist es für traditionelle Methoden schwierig, Datenmerkmale ausreichend zu extrahieren. Konvolutionale neuronale Netze (CNN) leiden unter niedriger Recheneffizienz, großer Parametermenge und neigen zu Überanpassung. Es wurde ein symmetrisches Faltungsnetzwerk mit multifunktionaler Merkmalsfusion (SCN-MF) vorgeschlagen, um eine effiziente und genaue Vorhersage des Proteingehalts von Weizen zu realisieren. Zunächst wurde ein symmetrisches Faltungsnetzwerk mit einer symmetrischen Struktur entwickelt, bei der die Kanalanzahl zunächst zunimmt und dann abnimmt, um die Rechenkomplexität bei gleichbleibender Vorhersagegenauigkeit zu reduzieren; zweitens wurde ein Modul zur multifunktionalen Merkmalsfusion eingeführt, das über einen Kreuzaufmerksamkeitsmechanismus das Originalspektrum mit dem abgeleiteten Spektrum kombiniert, um die Schlüsselmerkmalsdarstellung zu stärken und somit die Vorhersagegenauigkeit des Modells zu verbessern. Die Ergebnisse zeigen, dass das SCN-MF-Modell auf dem Testdatensatz einen Bestimmtheitskoeffizienten (R²) von 0,9461, eine Vorhersageabweichung (RPD) von 4,3057 und einen mittleren quadratischen Fehler (RMSE) von 0,4043 erreichte und im Vergleich zum verbesserten CNN die Vorhersagegenauigkeit und Recheneffizienz deutlich steigerte. Außerdem zeigte das SCN-MF-Modell im Vergleich zu fünf anderen Methoden die beste Leistung sowie eine höhere Stabilität und Vorhersagefähigkeit in Trainings- und Testdatensätzen. Die Studie ist anwendbar auf die Modellierung von Nahinfrarotspektraldaten bei kleinen Stichproben und kleinen Modellen und bietet eine neue technische Unterstützung für die intelligente Erkennung des Proteingehalts von Weizen.

Proteingehalt von Weizen;Nahinfrarotspektroskopie;multifunktionale Merkmalsfusion;konvolutionale neuronale Netze