近日，中科院合肥研究院智能所作物品质智能感知团队发展了一种
近红外光谱技术方向的新算法，该算法适用于高通量鉴定作物品种的真实性。相关工作被Infrared Physics & Technology接收并在线发表。
作物品种真实性在品种保护及品种选育方面具有重要意义，传统的作物品种真实性鉴定方法如DNA分子鉴定、同工酶鉴定、田间鉴定等方法存在操作复杂、检测结果耗时、损伤样品、污染环境、结果滞后等缺点，亟需一种快速有效的方法实现作物品种真实性鉴定。近红外光谱是一种快速无损检测技术，基于近
红外光谱仪开发的光谱采集系统，可实现高通量采集作物单籽粒光谱。近年来，由于人工智能和深度学习的快速发展，卷积神经网络(CNN)已逐渐应用于分子光谱学，相比于传统的化学计量学算法，CNN在识别方面表现出更高的准确性和鲁棒性，这为近红外光谱技术的应用和发展提供有力支撑。
为此，研究人员提出了一种改进的CNN：InResSpectra网络，用于小麦和水稻品种真实性的高通量鉴定。该网络对Inception网络进行改进，删除1×1卷积分支降低模型复杂度，同时增加ResNet网络的残差元素，加速了神经网络的训练，同时提升模型的准确率；同时，实验中对比研究了多种分类算法，不断优化模型参数，提高模型预测的稳健性。在此次研究中，研究人员将开发的系统应用于鉴定24个小麦品种和21个水稻品种上，分别取得95.35%和93.07%的准确率(图1)，为近红外鉴定作物品种真实性提供了有效方法。
李晓红硕士和徐琢频博士为该论文第一作者，王琦副研究员和张鹏飞副研究员为通讯作者。该工作得到国家自然科学基金、安徽省科技重大专项、以及安徽省重点研究与开发计划等项目的支持。
InResSpectra网络识别小麦和水稻样本集的混淆矩阵热力图
