面向食品品质评估的小样本约束解决方案：一种用于红外光谱分析的新型RPM-DBFFM-FSNet框架

《Journal of Food Composition and Analysis》：Addressing Small-Sample Constraints in Food Quality Assessment: A Novel RPM-DBFFM-FSNet Framework for Infrared Spectroscopic Analysis

　　

研究人员针对农产品红外光谱分析在小样本条件下建模泛化性差的问题，提出了一种结合梨可见光近红外（Vis-NIR）与杏中红外衰减全反射（ATR）光谱的新型分析方法。通过将一维光谱转换为二维相对位置矩阵（RPM）以增强结构信息，并利用双分支特征融合模块（DBFFM）提取局部与全局特征，研究人员分别构建了基于偏最小二乘判别分析（PLS-DA）与卷积神经网络（CNN）的模型，最终引入基于度量学习的少样本算法构建了轻量化判别模型。结果表明，RPM-PLS-DA相比传统一维PLS-DA在梨与杏数据集上准确率分别提升6.4%与24.5%，而CNN在特征可解释性方面表现更优。最终的少样本模型在仅需46.8%（梨）与40.5%（杏）样本量的条件下，将分类准确率进一步提升1.5%（梨）与1.6%（杏），为小样本条件下的红外光谱分析提供了高效解决方案。相关数据与主模块已公开于GitHub仓库 https://github.com/H-hao-x-x/RDF。

本研究发表于《Journal of Food Composition and Analysis》，聚焦于解决农产品红外光谱分析在小样本场景下的泛化能力不足问题。研究背景在于，传统光谱判别模型如偏最小二乘判别分析（PLS-DA）与支持向量机（SVM）依赖大量代表性样本，然而因生长环境与栽培条件差异，同品种农产品的光谱特性波动较大，导致难以采集到真正具代表性的大样本集，进而造成模型过拟合与识别精度下降。此外，直接将原始一维光谱信号用于建模存在信息密度低、缺乏显式结构信息的局限，限制了特征提取的效果。为此，研究人员提出了一种结合相对位置矩阵（RPM）、双分支特征融合模块（DBFFM）与少样本学习（Few-Shot Learning）的创新框架RPM-DBFFM-FSNet，并在梨与杏两类水果的光谱数据集上进行了验证。

关键技术方法方面，研究人员采用了两种光谱数据来源：梨样品为河北邯郸果园采集的470份鸭梨，使用QE65pro高精度光谱仪（波长范围370–1160 nm，分辨率0.76 nm）采集可见光近红外光谱，并排除异常样本；杏数据为公开的624份样品，涵盖Moniqui、Goldrich、Bergeron、Ravicille与A4034五个品种，采用MPA光谱仪（波长范围800–2700 nm，分辨率2 nm）采集中红外衰减全反射光谱。数据预处理阶段，研究人员利用RPM将一维光谱编码为二维矩阵，以保留光谱点间的相对强度关系与空间结构信息；随后通过DBFFM并行提取局部细节与全局关联特征，并结合通道注意力机制实现自适应特征选择与融合；在此基础上，分别构建PLS-DA与CNN模型进行对比，并最终引入基于原型网络的度量学习少样本框架，以在低标注样本条件下实现高效分类。

研究结果分为三部分展开。第一部分为基于RPM-DBFFM的农产品光谱分析模型开发，结果显示RPM变换显著提升了PLS-DA模型的判别性能，在梨与杏数据集上的验证集准确率分别从0.825提升至0.883与0.944，结合DBFFM后进一步提升至0.968与0.984，表明二维矩阵与多尺度特征融合可有效增强信息利用率。第二部分是基于RPM-DBFFM的CNN分类模型开发，CNN在捕捉非线性特征方面优于PLS-DA，梨与杏验证集准确率分别达到0.989与1.000，体现出更强的泛化能力。第三部分为少样本学习模型优化，RPM-DBFFM-SFNet在梨与杏数据集上的验证集准确率分别达到0.979与1.000，且随着样本数增加，性能持续提升。最优配置分别为25-shot（梨）与15-shot（杏），在此条件下模型实现了高精度与低样本需求的平衡。

讨论部分指出，RPM-DBFFM-FSNet在小样本条件下有效缓解了传统光谱分析模型泛化能力不足的问题，减少了标注成本与数据采集压力。研究结论表明，RPM变换能够显著丰富光谱信息表达，DBFFM融合模块可同时捕获局部细节与全局关联特征，而基于度量学习的少样本框架则在极低样本条件下仍保持优异的分类稳定性。该框架为食品品质检测及其他需要小样本光谱分析的应用场景提供了一种可行且高效的技术路径。