CNN-Transformer融合模型CTNet提升玉米籽粒储存质量检测精度：一种降低储存风险的新方法

为解决玉米籽粒储存过程中因高类间相似性和显著类内变异导致的缺陷识别难题，河南工业大学团队创新性地提出CTNet模型。该研究通过融合CNN的局部特征提取能力与Transformer的全局注意力机制，引入特征注意力模块（FAM）和深度可分离卷积SwinTransformer（DWST），结合细粒度感知模块（FGPM），在GrainSpace数据集上实现1.35%的准确率提升。研究成果为智慧农业中的粮食储存安全提供了高效技术支撑，发表于《Journal of Stored Products Research》。

　　

玉米作为全球41.5%粮食耕地的种植作物，其储存质量直接关系粮食安全与社会经济稳定。然而，传统人工检测效率低下，而现有基于深度学习的识别方法难以兼顾玉米籽粒的局部纹理特征与全局结构关联，尤其对霉变、虫蛀等微小缺陷的识别精度不足。这些问题导致储存过程中因缺陷籽粒引发的霉变风险难以有效控制，每年造成重大经济损失。

河南工业大学的研究团队开发了CTNet模型，通过四项创新突破技术瓶颈：首先，采用CNN-Transformer双分支架构，同步提取籽粒轮廓纹理（CNN优势）和建模全局上下文关系（Transformer优势）；其次，设计特征注意力模块（FAM），通过通道-空间双注意力机制强化缺陷区域定位，有效抑制背景干扰；第三，构建深度可分离卷积SwinTransformer（DWST），在保留窗口注意力优势的同时增强局部特征提取；第四，开发细粒度感知模块（FGPM），通过多尺度卷积与残差连接捕捉裂纹等微小缺陷特征。研究采用GrainSpace数据集中的P600高分辨率图像子集进行验证，该数据集通过双工业相机系统采集，真实模拟粮仓环境下的籽粒分布。

关键技术方法包括：1）基于CBAM改进的FAM模块实现缺陷区域增强；2）DWST模块融合深度可分离卷积与SwinTransformer的层次化窗口注意力；3）FGPM模块整合CMLP（卷积多层感知器）与残差结构进行多尺度特征融合；4）线性分类器优化跨类别判别边界。

研究结果显示：在对比实验中，CTNet以98.75%的准确率超越SwinTransformer等10种主流模型，其中对虫蛀籽粒的识别灵敏度达97.3%。模型参数量仅为主流Transformer的68%，FLOPs（浮点运算次数）降低42%，证实其高效性。具体发现包括：1）FAM使小目标缺陷（如0.5mm裂纹）的检测召回率提升12.6%；2）DWST模块将类内特征变异导致的误判率降低8.2%；3）FGPM显著改善对霉变斑点等细微特征的感知能力，相关特征响应强度增加3.4倍。

结论部分强调，该研究首次实现CNN与Transformer在粮食储存质量检测中的有机融合，CTNet对缺陷籽粒的精准识别可将储存霉变风险降低17.8%（模拟实验数据）。相较于现有技术，模型在保持轻量化的同时突破细粒度识别瓶颈，为粮库智能化改造提供核心算法支持。未来工作将拓展模型至多作物联合检测场景，并开发嵌入式设备部署方案。研究获得河南省科技攻关项目（252102410004）等资助，相关成果对保障国家粮食战略安全具有重要实践价值。