小麦の近赤外分光データのサンプル規模が小さく、スペクトル情報が限定的であるため、従来の方法ではデータの特徴を十分に抽出することが困難であり、畳み込みニューラルネットワーク（CNN）は計算効率が低く、パラメータ数が多く、過学習しやすい問題がある。そこで、多特徴融合対称畳み込みネットワーク（SCN-MF）を提案し、小麦のタンパク質含有量の効率的かつ正確な予測を実現した。まず、チャネル数が増加してから減少する対称構造を用いた対称畳み込みネットワークを設計し、予測精度を維持しつつ計算複雑度を低減した。次に、多特徴融合モジュールを導入し、クロスアテンションメカニズムによって元のスペクトルとその導関数スペクトルを組み合わせ、重要な特徴表現を強化してモデルの予測精度を向上させた。結果は、SCN-MFモデルがテストセットで決定係数（R²）0.9461、予測偏差（RPD）4.3057、二乗平均平方根誤差（RMSE）0.4043を達成し、改良前のCNNと比較してモデルの予測精度と計算効率が大幅に向上したことを示した。また、他の5つの方法と比較して、SCN-MFモデルは訓練セットとテストセットの両方で最良の性能と優れた安定性、予測能力を示した。本研究は、小規模サンプルおよび小型モデルの状況下での近赤外分光データのモデリングに適用可能であり、小麦のタンパク質含有量の知能検出に新たな技術支援を提供する。

小麦タンパク質含有量;近赤外分光;多特徴融合;畳み込みニューラルネットワーク