编辑推荐：
在玉米种子生产中，种穗分选耗时费力且影响种子质量。研究人员开展 “基于结构重参数化分类模型和多通道分选系统的高通量玉米种穗分选” 研究。结果显示，模型分类准确率达 97.25%，分选系统准确率 96.25% 。为智能分选设备发展奠定基础。
在农业生产领域，玉米作为重要的粮食作物，其种子质量直接关系到单位面积产量以及农民的种植收入。然而，在玉米种子的生产过程中，种穗分选环节却面临着诸多难题。一方面，同一品种的玉米种穗受气候、温度、湿度等环境因素影响，会出现表型差异，产生异常表型的种穗；另一方面，杂交制种所得的玉米种子易受风向、去雄操作、地块距离等因素干扰，与其他亲本杂交种或品种混杂，这些异常种穗会影响玉米种子的发芽率和纯度。
目前，中国玉米种穗分选主要依靠人工经验，这种方式不仅工作强度大、效率低，而且分选质量易受主观因素影响，难以保证稳定的分选标准。虽然基于机器视觉和深度学习的农产品分类与质量评估研究已取得一定进展，但现有的分选系统因玉米种穗分选任务的特殊性（如单面检测、整穗分选、分选后脱粒、高通量、多品种等），并不适用于大规模种子加工厂。同时，已有的基于深度学习的种穗分类研究虽然准确率较高，但在实际应用中，复杂的模型结构导致参数过多、网络过深，增加了模型部署难度，且模型推理效率受计算成本制约，若推理时间过长，种穗在得出分类结果前就通过分选系统，会造成分选失败。因此，开发一种快速准确的玉米种穗分类方法和智能分选设备迫在眉睫。
为解决这些问题，国内研究人员开展了 “基于结构重参数化分类模型和多通道分选系统的高通量玉米种穗分选” 研究，相关成果发表在《Biosystems Engineering》上。该研究成果对于提升玉米种子生产的质量和效率，推动农业智能化发展具有重要意义。
研究人员在此次研究中运用了多种关键技术方法。首先，设计了基于传感器触发相机的自动化图像采集系统，用于获取种穗图像，减少生成种穗数据集的时间和成本。其次，提出结构重参数化分类模型（MaizeNet），通过在训练时复杂化模型结构，推理时重参数化为原始结构，实现 “深度训练，浅层推理”，有效平衡模型性能和推理时间。此外，利用边缘计算平台 Nvidia TX2 NX 结合 TensorRT 技术部署训练好的模型，大幅提升模型推理速度。最后，基于分类模型、机器视觉、传感器和自动控制技术开发多通道分选系统，实现高通量种穗分选。
研究结果
- 自动化图像采集系统：设计出基于传感器触发相机的自动化图像采集系统，该系统能自动采集种穗图像，为后续模型训练提供数据支持，有效降低了生产种穗数据集所需的时间和成本。
- 结构重参数化分类模型性能评估：研究人员将 MaizeNet 与 VGG、ResNet、MobileNet 和 ShuffleNet 等经典深度学习模型进行对比评估。在对品种 1 的测试中，改变上述经典模型分类层神经元数量为 2，固定其他参数，结果显示 MaizeNet 在保证高准确率的同时，推理时间更短，证明了该模型在玉米种穗分类任务中的优势。
- 多通道分选系统性能测试：开发的多通道分选系统经过实验测试，结果表明该系统平均分选准确率达到 96.25%，单个工作通道的处理能力约为 300 kg/h?1 ，满足实际生产对分选效率和准确率的要求。
研究结论与讨论
本研究成功提出结构重参数化分类模型和多通道分选系统，实现了高通量玉米种穗分选。结构重参数化分类模型通过独特的训练和推理机制，在消耗较少计算资源的情况下，达到高准确率和较短推理时间，降低了对计算资源的需求，节省了开发成本。多通道分选系统基于多种技术实现自动化分选，分选准确率和处理能力良好，为后续智能玉米种穗分选设备的开发奠定了坚实基础。
此外，该研究成果不仅适用于玉米种穗分选，对其他细长作物的分选也具有重要的参考价值，为农业智能化发展提供了新的思路和方法，有望推动整个农业生产领域在种子分选环节的技术革新，提升农业生产效率和农产品质量，助力农业现代化进程。
