Devido ao pequeno tamanho da amostra dos dados de espectroscopia de infravermelho próximo do trigo e à informação espectral limitada, os métodos tradicionais têm dificuldades para extrair plenamente as características dos dados, e as redes neurais convolucionais (CNN) apresentam baixa eficiência computacional, grande número de parâmetros e tendência ao overfitting. Foi proposta uma rede convolucional simétrica de fusão multifuncional de características (SCN-MF) para realizar a previsão eficiente e precisa do teor de proteína do trigo. Primeiro, foi projetada uma rede convolucional simétrica que utiliza uma estrutura simétrica com o número de canais aumentando e depois diminuindo, reduzindo a complexidade computacional ao mesmo tempo que garante a precisão da previsão; em seguida, foi introduzido um módulo de fusão multifuncional que combina o espectro original e seu espectro derivado por meio de um mecanismo de atenção cruzada para reforçar a expressão das características chave e, assim, melhorar a precisão do modelo. Os resultados mostraram que o modelo SCN-MF alcançou coeficiente de determinação (R²) de 0,9461, desvio previsto (RPD) de 4,3057 e erro quadrático médio da raiz (RMSE) de 0,4043 no conjunto de teste, e melhorou significativamente a precisão da previsão e a eficiência computacional em comparação com a CNN aprimorada anteriormente. Além disso, em comparação com outros cinco métodos, o modelo SCN-MF apresentou o melhor desempenho e maior estabilidade e capacidade de previsão nos conjuntos de treinamento e teste. Este estudo é aplicável à modelagem de dados de espectroscopia de infravermelho próximo em cenários de pequenas amostras e pequenos modelos, fornecendo um novo suporte técnico para a detecção inteligente do teor de proteína do trigo.

teor de proteína do trigo;espectroscopia de infravermelho próximo;fusão multifuncional de características;redes neurais convolucionais