基于双注意力3D-2D网络的玉米果穗机械损伤高光谱检测研究

本研究针对玉米果穗机械损伤的高效精准检测难题，提出了一种轻量化的光谱-空间双注意力网络。通过耦合多尺度3D卷积模块与紧凑2D优化头，结合Triplet Attention(TA)增强跨维度交互和Double Attention(DA)聚合全局上下文，在保持较低计算开销的同时实现了96.84%的分类准确率。该模型在YOLO-HSI、3D-CmT等基准对比中展现出优越性能，为农产品质量智能检测提供了新技术方案。

　　

玉米作为全球重要的粮食作物，其收获后品质直接影响粮食安全和经济效益。然而在机械化收获过程中，玉米果穗表面常出现擦伤、裂纹等机械损伤，这些损伤不仅导致 immediate 产量损失，更会增加贮藏期间霉菌滋生风险。传统人工检测方法效率低下且主观性强，而基于RGB图像的计算机视觉技术难以识别被果皮掩盖的细微损伤。

针对这一技术瓶颈，吉林大学生物与农业工程学院的研究团队在《Smart Agricultural Technology》发表了一项创新研究。该研究开发了一种结合双注意力机制的3D-2D混合神经网络，实现了玉米果穗机械损伤的高精度高光谱检测。研究人员首先搭建了定制化的高光谱成像系统，使用SPECIM IQ相机在400-1000nm范围内采集224个波段的高光谱数据，空间分辨率达到512×512像素。

在技术方法层面，研究团队采用了多维度的创新策略：通过主成分分析(PCA)将高维光谱数据降至30个主成分分量；设计了包含多尺度3D卷积的混合网络架构，结合Triplet Attention(TA)和Double Attention(DA)机制增强特征选择性；采用严格的样本划分方案防止空间信息泄漏，并建立了包含7个损伤类别的标注数据集。

研究结果显示，该模型在多个关键指标上表现优异。在有效性方面，整体准确率(OA)达到96.84%，Kappa系数为0.966，F1分数达0.969。在效率方面，模型参数量为27.0M，推理延迟仅22.0ms，吞吐量达到45.5 patches/s。与主流基准模型对比中，该方案在2D CNN、3D CNN、FCN、ViT、SpectralFormer、3D-CmT和YOLO-HSI等七种对比模型中均保持领先。

特别值得关注的是消融实验揭示的模块贡献度：移除3D卷积模块导致性能下降最显著（OA降低7.61%），证实了光谱-空间联合建模的必要性；而TA和DA模块的单独移除分别造成2.12%和3.25%的准确率下降，体现了双注意力机制的互补性。可视化结果进一步表明，完整模型在损伤区域边界保持性和细小损伤检测能力方面均优于其他对比方法。

讨论部分指出，该研究的优势在于成功平衡了模型精度与计算效率的矛盾。3D卷积模块有效捕获了光谱维度特征，而注意力机制则增强了模型对细微损伤的敏感性。不过研究也承认当前实验仅限于实验室环境，未来需要在实际收获场景中验证模型的鲁棒性。

这项研究的重要意义在于为农产品质量无损检测提供了新的技术范式。通过高光谱成像与深度学习的深度融合，实现了对玉米果穗机械损伤的精准量化评估，为智能农业装备的优化设计和收获参数调整提供了可靠的数据支撑。研究人员计划后续开展多作物跨场景验证，并探索模型在边缘计算设备上的部署可行性，推动技术向实际应用转化。