精准林业｜高光谱协同遮挡敏感性与波段联合优化，精准识别竹材早期霉变

【研究结果】

1. 基线模型建立与OS诊断

研究首先建立全谱数据分类基线。传统机器学习模型验证准确率为84.57%–87.35%，深度学习模型为86.11%–91.67%。仅看准确率，各模型似乎“都能用”——但部分模型存在明显过拟合，准确率本身无法回答：模型到底依据什么做判断？

为此引入遮挡敏感性（OS）分析。OS通过在图像上逐区域遮蔽像素并监测分类概率下降幅度，生成“敏感度图”——亮度越高的区域对决策越关键。

【关键发现①】 ResNet-18和AlexNet的敏感度图呈现高度集中的注意力峰，仅遮蔽1%像素，预测概率即从接近100%崩溃至约10%。证明这两类模型依赖的是局部空间纹理（如竹材表面纹路），而非光谱信号——相当于把高光谱图像当作普通照片处理。

【关键发现②】 PreAct-ResNet在80%像素被遮蔽时仍保持92.62%的预测概率，证明其对光谱信息的提取更为深入，但复杂架构在小样本下极易过拟合（训练集100%，验证集仅86.11%）。

【关键发现③】 上述诊断指明优化方向：模型架构必须强制“优先看光谱”，而非“偷看纹理” 。

图3 各深度学习结构敏感度图与遮蔽分析

表1 不同遮蔽水平下各模型分类正确概率

2. OS引导的模型架构优化——ResNet-HS

基于OS诊断结果，团队对ResNet-18进行了针对性重构：（1）移除深层残差结构，仅保留初始卷积层和残差块；（2）将初始7×7卷积核改为1×1、核数从64减至32——从架构层面强制模型优先处理逐像素的光谱数据而非局部空间纹理，这是对OS诊断发现核心缺陷的直接修复。

经数据增强后，ResNet-HS验证准确率从原始ResNet-18的87.04%提升至95.06%；即便80%像素被遮蔽，仍保持90.32%的预测概率——模型注意力已成功从空间纹理转向光谱本质。

图4 ResNet-HS网络结构图

3. OS引导的特征波长协同筛选

在拥有光谱鲁棒模型后，研究将OS从“诊断工具”升级为“筛选引擎”。具体方法：对每个样本的每个波段逐一“遮蔽”，测量预测概率下降幅度，即为该波段贡献值；在全数据集上累积计算累积贡献值（CCV）。CCV越高的波段，对模型决策越关键。

最终筛选出7个特征波长：414.1、434.7、467.1、792.8、905.9、937.2、968.8 nm。

图5 OS引导的CCV分布及所选特征波长

4. 模型性能对比

OS-ResNet-HS用仅7个波段达到90.74%验证准确率，与PCA载荷法（12波段，91.36%）性能相当但变量减少42%，显著优于CARS-SPA法（14波段，87.65%）。对12h早期感染样本（无可视霉变）识别精度达81.7%，24h样本AUC达0.980，36h及以后精度均超98%。

表2 基于特征波长的ResNet-HS模型识别结果

5. 模型效率

OS引导的协同设计使参数量从11.95 M降至0.065 M（缩减99.5%），推理速度达256.61 FPS，光谱数据缩减97%，同时保持90.74%的高检测准确率。这一效率指标意味着该模型可在嵌入式、低功耗硬件上实时运行，为竹材加工产线的在线检测提供了工程可行性。

表3位置：不同模型计算效率与性能对比

【结论】

本研究证实，遮挡敏感性分析（OS）能够从被动的诊断工具转化为主动的优化引擎，所提出的“协同设计”框架成功实现了模型结构优化与特征波长选择的统一。关键发现与贡献如下：

OS诊断揭示根本问题：标准深度模型（ResNet-18、AlexNet）对空间纹理特征的过度依赖导致其性能脆弱，这是仅凭准确率指标无法察觉的“隐性缺陷”。

OS引导架构优化：基于诊断结果开展针对性修复，采用1×1卷积与浅层结构设计，使验证准确率由87.04%提升至95.06%，同时参数量缩减99.5%，降至0.065M。

OS引导特征波长协同筛选：从模型决策贡献出发，仅需7个波段即可达到90.74%的准确率，优于CARS-SPA方法（14波段，87.65%），并与PCA载荷法性能相当（12波段，91.36%），但变量数量减少42%。

工程价值：模型推理速度达256.61 FPS，参数量仅0.065 M，具备嵌入式实时部署条件。该“协同设计”方法论不仅服务于竹蒸笼产业的品质保障，也为高光谱检测系统的嵌入式硬件开发提供了可行路径。

【来源】

Lin Z, Ma Z, Chu X, Fu H, Wei H, Liu H. A hyperspectral co-design framework guided by occlusion sensitivity for early mould detection in bamboo. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2026, 127546.