基于MobileNet V3优化的DINO模型：提升芝麻幼苗与杂草相似目标检测精度的创新方法

针对农业场景中芝麻幼苗与杂草形态相似导致的检测难题，浙江工业大学团队通过改进DINO模型，将ResNet替换为MobileNet V3，优化SENet注意力机制并设计H-Swish6激活函数，使模型参数量降至29M，在COCO数据集上AP提升5.1%，在自建数据集上以81.8% AP和24 FPS性能超越YOLOv7，为农业边缘设备提供了高效精准的检测方案。

　　

在智能农业机械快速发展的今天，田间作物的精准识别仍面临巨大挑战。当目标作物与周围杂草形态高度相似时——比如嫩绿的芝麻幼苗与杂草几乎"孪生"的状况，传统检测模型的准确率就会断崖式下跌。这种"真假美猴王"式的识别难题，不仅影响自动化除草设备的作业精度，更直接关系到农药使用效率和生态保护。浙江工业大学的研究团队将目光投向了这个被学界长期忽视的领域，他们以芝麻田为"实验室"，在《Scientific Reports》发表了一项突破性研究。

研究团队采用改进的DINO（Detection with Transformers）框架，通过三个关键技术革新解决这一难题。首先用轻量级MobileNet V3替换原ResNet主干网络，参数量锐减70%；其次在SENet注意力机制中创新性加入全局最大池化（GMP）分支，使模型对芝麻木质化茎干的特征捕捉能力提升3.8%；最后设计的H-Swish6激活函数通过上界控制，在边缘设备上实现60%的推理加速。实验采用自建的1,300张芝麻田图像数据集，通过5次重复实验和5折交叉验证确保结果可靠性。

在模型架构方面，研究展示了精妙的模块设计。改进的MobileNet V3主干网络采用深度可分离卷积（DSC）模块，在层6、9、13进行特征提取。注意力机制改进中，通过Grad-CAM可视化证实，全局最大池化（GMP）使模型对芝麻茎叶的关注度显著提升，其数学表达为G M P=max_i,j F_ij。新设计的H-Swish6激活函数通过引入上界控制，解决了原H-Swish在极端特征值下的收敛问题。多尺度特征提取网络采用FPN+PAN结构，将特征层从4级精简为3级，配合3×3卷积缓解下采样融合的负面影响。

实验结果呈现全面突破。在COCO数据集上，改进模型（Our-Model）以57.1% mAP超越原DINO模型5.1%，其中AP_s和AP_M分别提升3.3%和3.8%。推理时间从100ms降至40ms，FLOPs降低43.72%至112G。在自建芝麻数据集上的表现更为亮眼：81.8% AP远超YOLOv7的76.2%，同时保持24 FPS的实时性能。可视化对比显示，在密集杂草场景中，改进模型对遮挡芝麻苗的识别准确率达69.8%，较YOLOv7提升近10%。

通过系统的消融实验，研究验证了各改进模块的贡献。单独使用改进SENet可使mAP提升2.3%，而优化后的Neck结构在减少15.2%参数量的同时带来5.5%精度提升。二者结合后，模型最终取得87.4% mAP的优异表现。这些数据证实，针对农业特殊场景的定制化改进，比通用目标检测模型具有明显优势。

这项研究为农业相似目标检测提供了范式转变。通过MobileNet V3的硬件感知设计、双分支注意力机制和多尺度特征优化，首次在边缘设备上实现了芝麻与杂草的高精度实时区分。其技术路线可推广至其他作物检测场景，为智能农机装备提供了核心算法支撑。正如作者指出，当全球农业隐性成本高达GDP的10%时，这种提升5.6%检测精度的突破，可能意味着每年减少数十亿美元的非必要农药投入。这项成果不仅填补了农业视觉检测的技术空白，更开创了Transformer模型在边缘计算设备落地的新思路。