编辑推荐：
针对稻谷图像分类中无关信息干扰及类间高相似性问题，研究人员开展基于深度学习的稻谷分类研究，提出 GMMNet 模型。其含高斯矩阵自注意力机制（GMSM）等模块，在 12 类稻谷数据集上达 97.01% 准确率，为稻谷精准分类及碾米机参数调整提供支持。
在粮食加工领域，稻谷的精准分类对提升碾米质量与效率至关重要。传统人工分类方式存在效率低下、受主观因素影响大等问题，且稻谷图像常面临背景噪声等无关信息干扰，不同类别稻谷（如不同碾磨程度的碎米）因外观高度相似（类间相似性高）导致分类困难。如何借助技术手段实现稻谷的高精度自动化分类，成为优化碾米工艺、提升适度碾米产量的关键挑战。
为解决上述问题，国内研究团队开展了相关研究。研究以湖南益阳南县收获的 “农香 42” 稻谷为对象，通过构建包含 12 类稻谷图像的数据集，提出了基于 ResNext50 的 GMMNet 模型，相关成果发表在《Expert Systems with Applications》。
研究采用的关键技术方法包括：一是提出高斯矩阵自注意力机制（Gaussian Matrix Self-Attention Mechanism，GMSM），通过增强模型对图像中心区域稻谷特征的关注，抑制无关信息干扰；二是设计多尺度细特征提取模块（Multi-Scale Fine Feature Extraction Module，MFFEM），用于捕捉不同尺度下的细微特征，解决类间相似性问题；三是引入多深度可分离卷积（Multi-Depth Separable Convolution，MDSC）块，提升模型的特征表达能力与泛化性。
实验结果
- 模型性能分析：经训练，GMMNet 在 12 类稻谷图像分类中表现出色，平均分类准确率达 97.01%，F1 分数为 95.95%，显著优于 ResNet50 等对比模型，验证了其有效性。
- 消融实验：通过逐步移除 GMSM、MFFEM 等模块，发现各组件对模型性能均有显著贡献，其中 GMSM 可提升模型对关键特征的聚焦能力，MFFEM 则增强了特征的细粒度区分度。
- 对比实验：与现有模型（如 EfficientNet-b1、ConvNeXt 等）相比，GMMNet 在处理多类别、高相似性稻谷图像时优势明显，展现出更强的特征提取与分类能力。
- 混淆矩阵与可视化：混淆矩阵显示，模型对各类稻谷的分类误差较小，尤其在区分含少量麸皮的碎米等易混淆类别时表现优异。模型可视化结果进一步揭示了 GMSM 对图像中心区域的关注机制。
结论与讨论
GMMNet 通过 GMSM、MFFEM 和 MDSC 等模块的协同作用，有效解决了稻谷图像分类中的无关信息干扰与类间相似性难题，为稻谷加工过程中的实时分类提供了可靠方案。该研究不仅提升了稻谷分类的自动化水平，还为精准调整碾米机参数（如碾磨压力、时间）提供了数据支持，有助于在保留更多营养成分（如糊粉层）的同时，优化适度碾米的产量与品质，对推动粮食加工行业的智能化、精细化发展具有重要意义。研究成果为计算机视觉技术在农业领域的应用拓展了新方向，也为其他作物的自动化分类提供了方法借鉴。
