Debido a la pequeña escala de muestras de datos de espectroscopía de infrarrojo cercano del trigo y la limitada información espectral, los métodos tradicionales tienen dificultades para extraer completamente las características de los datos, y las redes neuronales convolucionales (CNN) presentan baja eficiencia computacional, gran cantidad de parámetros y una tendencia a sobreajustarse. Se propuso una red convolucional simétrica con fusión multiatributo (SCN-MF) para lograr una predicción eficiente y precisa del contenido de proteína del trigo. Primero, se diseñó una red convolucional simétrica que utiliza una estructura simétrica con un número de canales que primero aumenta y luego disminuye, reduciendo la complejidad computacional mientras se mantiene la precisión de la predicción; segundo, se introdujo un módulo de fusión multiatributo que combina el espectro original y su derivado mediante un mecanismo de atención cruzada para reforzar la expresión de características clave y mejorar la precisión del modelo. Los resultados muestran que el modelo SCN-MF tuvo un coeficiente de determinación (R²) de 0.9461, desviación de predicción (RPD) de 4.3057 y error cuadrático medio (RMSE) de 0.4043 en el conjunto de prueba, y mejoró significativamente la precisión y eficiencia computacional en comparación con las CNN mejoradas previamente. Además, en comparación con otros cinco métodos, el modelo SCN-MF mostró el mejor rendimiento y estabilidad tanto en los conjuntos de entrenamiento como de prueba. Este estudio es aplicable a la modelización de datos de espectroscopía de infrarrojo cercano en escenarios de pequeñas muestras y modelos pequeños, proporcionando un nuevo soporte técnico para la detección inteligente del contenido de proteína del trigo.

contenido de proteína del trigo;espectroscopía de infrarrojo cercano;fusión multiatributo;redes neuronales convolucionales