基于深度学习优化太赫兹成像的小麦早期萌发无损检测技术研究

为解决小麦储存不当导致的早期萌发问题，研究人员开发了基于深度学习优化的太赫兹成像技术。通过AESRGAN提升图像分辨率（PSNR提高0.76 dB），并结合GOA-EViTDSA-YOLO模型实现97.5%的检测准确率，为粮食质量监测提供高效无损解决方案。

　　

小麦作为全球主要粮食作物，其储存过程中的早期萌发会导致淀粉降解和品质下降，每年造成巨大经济损失。传统检测方法如核磁共振和α-淀粉酶检测不仅耗时耗力，还会破坏样本。太赫兹（THz）技术因其穿透非极性材料的特性，成为无损检测的理想选择，但现有THz成像存在分辨率低、实时性差等瓶颈。

河南工业大学的研究团队创新性地将深度学习与THz技术结合，开发出两阶段解决方案：首先通过改进的增强超分辨率生成对抗网络（AESRGAN）提升图像质量，再采用融合深度可分离注意力机制（C2F-DSA）的YOLO V8模型进行分类，最终实现早期萌发小麦的高精度识别。该成果发表于《Plant Methods》，为粮食储存质量监控提供了新范式。

关键技术方法
研究采用Zomega Z3系列THz时域光谱仪获取样本图像（扫描分辨率0.1-0.4 mm），构建包含6000组配对高/低分辨率图像的数据集。通过集成通道注意力机制的AESRGAN进行4倍超分辨率重建，并设计基于协方差归一化的感知损失函数。分类阶段引入EfficientViT作为骨干网络，结合Gazelle优化算法（GOA）自动调参，最终模型在RTX A4000 GPU上实现13.6 ms的单帧推理速度。

研究结果

1. 图像增强模型评估
   AESRGAN在PSNR（峰值信噪比）和SSIM（结构相似性）指标上分别比ESRGAN提升0.76 dB和0.0041，重建图像能清晰显示胚芽区域纹理。测试显示，高斯噪声（σ=0.05）下仍保持89%的F1-Score。

2. 分类性能对比
   GOA-EViTDSA-YOLO在增强后的图像上达到97.5%准确率和0.962 mAP（平均精度），较基线YOLO V8提升4.1%。其C2F-DSA模块通过深度可分离卷积（Depthwise Separable Convolution）将参数量控制在11.6M，显著优于Swin Transformer（30.3M参数）。

3. 环境鲁棒性验证
   在温度28°C、湿度65%的扰动条件下，模型特异性（Specificity）仍达0.929，证明其对实际仓储环境的适应性。

结论与意义
该研究首次将ReLU线性注意力（MSA）与THz成像结合，通过硬件友好的算法设计（如替换BN层、子像素卷积）实现了从实验室到产业化的技术跨越。相较于传统高光谱成像（HSI），该方案兼具穿透检测和实时分析优势，为粮食安全监测提供了可扩展的技术路径。未来可拓展至转基因作物鉴定等农业健康领域，推动智能农业的精准化发展。