图1 用于小麦栽培与自动化测量的高通量表型数据采集系统。

图2 (a) 六种不同小麦品种的图像：(a-1) Tabdong，(a-2) Jinpum，(a-3) Dajung，(a-4) Joa，(a-5) Baeggang，(a-6) Saegeumgang；(b) 不同生长阶段的小麦图像：(b-1) 分蘖期，(b-2) 拔节期，(b-3) 抽穗期。

图3 高光谱成像系统示意图。

图4 小麦高光谱成像（HSI）数据采集及数据集准备流程，用于小麦品种和生长阶段检测模型的开发。

  图5 1D-CNN 和 1D-CNN-nTF 模型的结构图，展示：(a) 1D-CNN 模型的结构，(b) 带有 n 个 Transformer 块的 1D-CNN 模型（1D-CNN-nTF），(c) 1D-CNN 中的嵌入过程，(d) 包含多头自注意力机制的单个 Transformer 块的结构。

 图6各小麦品种在不同预处理步骤后的光谱：(a) 异常值去除后，(b) SG平滑后，(c) SNV处理后。包含的品种为：(1) Dajung，(2) Joa，(3) Tabdong，(4) Jinpum，(5) Saegeumgang，(6) Baeggang。

 图7 各小麦生长阶段在不同预处理步骤后的光谱：(a) 异常值去除后，(b) SG平滑后，(c) SNV处理后。包含的生长阶段为：(1) 分蘖期，(2) 拔节期，(3) 抽穗期。

  图8 不同品种分类模型的训练准确率和损失曲线：(a-1, a-2) 1D-CNN，(b-1, b-2) 1D-CNN-1TF，(c-1, c-2) 1D-CNN-2TF，以及 (d-1, d-2) 1D-CNN-3TF，分别展示了训练集和验证集的结果。

图9 生长阶段分类模型的训练准确率和损失曲线：(a-1, a-2) 1D-CNN，(b-1, b-2) 1D-CNN-1TF，(c-1, c-2) 1D-CNN-2TF，以及 (d-1, d-2) 1D-CNN-3TF，分别展示了训练集和验证集的结果。

  图10 雷达图比较 1D-CNN 和混合 1D-CNN-TF 模型在 (a) 小麦品种分类和 (b) 生长阶段分类中的表现，评估指标包括：总体准确率 (OA)、Kappa 系数、精确度、召回率和 F1 分数。

  图11 小麦品种分类模型的混淆矩阵：(a) 1D-CNN，(b) 1D-CNN-1TF，(c) 1D-CNN-2TF，展示了六种小麦品种之间的分类准确率和误分类模式。

  图12 生长阶段分类模型的混淆矩阵：(a) 1D-CNN，(b) 1D-CNN-1TF，(c) 1D-CNN-2TF，展示了小麦在分蘖期、拔节期和抽穗期的分类准确率。

  图13 小麦品种分类模型的数据点和特征分布的 3D t-SNE 可视化：(a) 预处理后的数据，(b) 1D-CNN 学习的特征，(c) 1D-CNN-1TF 学习的特征，(d) 1D-CNN-2TF 学习的特征，展示了六种小麦品种的分离情况。

图14 生长阶段分类模型的数据点和特征分布的 3D t-SNE 可视化：(a) 预处理后的数据，(b) 1D-CNN 学习的特征，(c) 1D-CNN-1TF 学习的特征，(d) 1D-CNN-2TF 学习的特征，展示了小麦六个生长阶段的分离情况。