En raison de la petite taille des échantillons des données spectrales proche infrarouge du blé et des informations spectrales limitées, les méthodes traditionnelles peinent à extraire pleinement les caractéristiques des données, et les réseaux de neurones convolutifs (CNN) souffrent d'une faible efficacité de calcul, d'un grand nombre de paramètres et d'une tendance au surapprentissage. Une réseau convolutif symétrique à fusion multi-caractéristiques (SCN-MF) a été proposé pour réaliser une prédiction efficace et précise de la teneur en protéines du blé. Premièrement, un réseau convolutif symétrique a été conçu, utilisant une structure symétrique avec un nombre de canaux croissant puis décroissant, ce qui réduit la complexité du calcul tout en garantissant la précision prédictive ; deuxièmement, un module de fusion multi-caractéristiques a été introduit, combinant le spectre original et son spectre dérivé grâce à un mécanisme d'attention croisée afin d'améliorer l'expression des caractéristiques clés et par conséquent la précision du modèle. Les résultats montrent que le modèle SCN-MF a atteint un coefficient de détermination (R²) de 0.9461, un écart de prédiction (RPD) de 4.3057, et une erreur quadratique moyenne (RMSE) de 0.4043 sur l'ensemble de test, améliorant significativement la précision et l'efficacité de calcul par rapport aux CNN améliorés précédemment. De plus, comparé à cinq autres méthodes, le modèle SCN-MF a présenté les meilleures performances et une stabilité supérieure sur les ensembles d'entraînement et de test. Cette étude est applicable à la modélisation des données spectrales proche infrarouge en scénario de petite taille d'échantillons et de modèles réduits, offrant un nouveau support technique pour la détection intelligente de la teneur en protéines du blé.

teneur en protéines du blé;spectre proche infrarouge;fusion multi-caractéristiques;réseaux de neurones convolutifs