近日，中国科学院合肥物质院智能所光谱智能感知团队提出两套基于数据融合的新算法，配合团队自研高通量检测装置，可以实现酿酒高粱品种的精准通量化分选。相关研究成果分别发表于Microwave and Optical Technology Letters和Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy上。
高粱是中国白酒的核心原料，因缺少快速筛查检测手段，市场原料掺杂造假问题频发。研究团队基于自研的集成近红外与机器视觉的通量化分选装置，提出两种品种判别算法：一种基于近红外成分软标签和决策层融合（DLF）的算法、一套基于多模态注意力网络（MAN）新算法，有效解决高粱品种的精确识别问题。
在基于近红外成分软标签和DLF的高粱品种判别算法中，研究团队将单宁含量、支链淀粉含量作为表征品种差异的成分软标签，通过近红外定量模型快速获取，同时将传统近红外判别模型的预测得分作为类别软标签，在此基础上构建DLF模型进行精细化的类别判定。两万多粒高粱品种的验证结果表明，DLF模型在不同机器学习算法下的最高准确率达87.86%，F1得分达89.99%，相较基础判别模型分别提升0.09%至7.82%和0.09%至9.77%。
在基于MAN的高粱品种判别算法中，团队在近红外研究基础上进一步集成机器视觉信号，利用自研仪器构建了涵盖国窖红、红缨子等6类代表性高粱品种的近红外光谱与RGB图像数据集。针对两种模态信息互补但深度交互不足的问题，研究者提出MAN方法，即以一维卷积神经网络提取光谱特征，以ResNet或Swin Transformer提取图像特征，并引入双向交叉注意力机制，实现“光谱引导视觉、视觉反哺光谱”的特征级深度融合。实验结果表明，最佳MAN模型识别准确率达98.88%，Macro-F1达98.74%，显著优于单一模态方法。
上述研究为酿酒高粱品种精准识别提供了新的技术手段，具有良好应用潜力。
该项工作由中国科学院合肥物质院智能所与泸州老窖股份有限公司合作完成，徐琢频副研究员、硕士研究生郭子博分别为两篇论文的第一作者，王琦研究员、张鹏飞副研究员及泸州老窖张庆良农艺师分别为两篇论文的通讯作者。该项工作还得到安徽省重点研发计划、安徽省重大专项、河南省中科科技成果转移转化开放课题等的支持。
图1. 基于近红外成分软标签和决策层融合的单粒高粱高通量品种判别流程
图2. 基于多模态注意力网络（MAN）的单粒高粱高通量品种判别
