Resonon | 种子分类新突破：双模态图像数据集为农业AI赋能

一粒种子的“身份密码”，不仅藏在颜色与形状中，更隐藏在肉眼看不见的光谱里。想象一下，未来人们只需用一台设备扫描种子，就能立刻识别出其品种、纯度甚至健康状况——这不再是科幻场景，而是正在成为现实。近日，德国马丁路德·哈勒维腾贝格大学在《scientific data》上的发表了一项研究，研究公布了一个名为BiSID-5k的双模式种子图像数据集，它结合了RGB图像与高光谱成像技术，为AI种子识别提供了前所未有的高质量数据资源。

研究背景：种子识别的重要性与挑战

在农业生产中，种子纯度对作物产量与品质至关重要。根据国际种子检验协会规定，许多国家对种子批次有严格的认证要求。为满足合规要求，相关任务通常依赖于人工逐粒识别，这项工作耗时耗力、极度依赖经验，尤其在种子外形相似、颜色多变时，人眼识别容易出错。近年来，基于深度学习的图像分类技术在多领域取得突破，但其成功高度依赖大规模标注数据集。在农业种子识别领域，高质量、大规模的光谱图像数据集仍十分稀缺。现有数据集往往样本有限，或仅包含可见光图像，难以支撑复杂模型的训练与应用。

研究方法：构建双模式种子图像数据库

研究结果：高光谱数据显著提升识别准确率

（1）在MS模式上训练的ResNet模型表现出最高的性能，其中，3D-ResNet-18模型在光谱数据上表现最佳，准确率达到99.60%，在HS模式上训练的ResNet在所有指标上的表现比在MS模式上训练的ResNet下降约1%，这表明增加光谱带的数量并不一定会提高性能。相比之下，HS模型上训练的结果仍旧优于仅使用RGB图像的模型和传统机器学习方法。此外，所有ResNet都出现了一致的模式：较小的架构往往会实现更好的性能。

（2）低空间分辨率时，光谱信息占主导，高空间分辨率时，空间信息价值凸显，二者之间存在一个最佳平衡点，但无论采样策略如何，增加空间分辨率都会一致性地提升模型的分类性能，而光谱信息则需适度优化。

未来展望，多模式融合助力智能农业

BiSID-5k数据集不仅为种子分类研究提供了重要资源，也为多模式图像融合、小样本学习、域自适应等研究方向提供了实验基础。未来，结合光谱、形态、纹理等多维度信息，AI系统有望实现更精准、更高效的种子纯度检测、品种鉴定与质量评估。

对于种子企业、农业监管部门和科研机构而言，这类技术的推广将有助于提升种子质量控制的自动化水平，降低人工成本，保障农业生产的安全与效益。此外，随着传感器技术的进步与数据集的不断丰富，光谱成像技术有望在作物病害早期诊断、营养状态监测、产量预测等方面发挥更大作用。