近年來，隨著消費者對食品安全與品質要求不斷提升，“產地溯源"逐漸從加分項變為剛需。尤其是在蓮子、枸杞、中藥材等高附加值農產品領域，產地不僅決定品質，更直接影響價格與品牌溢價。

以蓮子為例，不同產區在氣候、土壤及種植方式上的差異，會顯著影響其淀粉含量、蛋白結構以及活性成分，從而造成口感、營養價值甚至藥用功效的差別。

然而，當前主流溯源手段仍存在明顯瓶頸：

雖然近紅外光譜、高光譜成像等技術已經開始應用于食品檢測，但單一光譜技術往往只能反映部分信息：

因此，行業迫切需要一種能夠兼顧“速度 + 精度 + 無損"的新型檢測方案。

多源協同：信息從“單一"走向“立體"

系統同時引入兩種關鍵光譜技術：

• 近紅外光譜（NIRS）
  捕捉分子振動信息，反映淀粉、蛋白等化學組成

• 高光譜成像（HSI）
  獲取“光譜 + 空間"數據，反映組織結構與分布特征

 兩者關系：

• NIRS：看“內部成分"

• HSI：看“外部結構"

•  實現從“單點檢測"到“多維感知"的升級

數據融合策略：從拼接到“理解"

研究對比了兩種融合方式：

• 低層融合（Low-level）
  直接拼接原始數據 → 信息冗余嚴重

• 中層融合（Mid-level）
  先提取特征，再進行融合 → 效果&最&佳

本質區別：

• 低層融合 = 簡單疊加

• 中層融合 = 信息提煉后再整合

結果：中層融合顯著提升模型識別能力

AI模型設計：輕量化但高性能

針對高光譜數據“維度高、樣本少"的問題，研究構建了：

輕量化卷積神經網絡（CNN）

模型特點包括：

• 僅15層結構，計算量低

• 引入Dropout防止過擬合

• 自動適配輸入光譜維度

• 支持小樣本高精度訓練

同時結合多種優化手段：

• 預處理方法：SNV、MSC、SG濾波等

• 特征篩選算法：Autoencoder、Relief、FCARS等

實現“降維 + 提純 + 強學習能力"的綜合提升02

在三大核心產區（湘潭、洪湖、建寧）蓮子樣本實驗中，該方案展現出極&高性能。

• 中層融合整體準確率：超過95%

• 最&優模型準確率：達到100%

• 多組組合穩定在：98%+水平

在農產品檢測領域屬于非常高的精度水平

明顯優于傳統算法

對比結果如下：

• 支持向量機（SVM）：98.68%

• 隨機森林（RF）：98.89%

• 本研究CNN模型：最高100%

說明深度學習在復雜光譜數據中更具優勢