基于门控剪枝注意力机制的甘薯外观品质高效检测方法研究

为解决甘薯外观品质人工分选效率低、主观性强的问题，研究人员采用MobileNetV4系列网络结合多头自注意力机制(MHSA)和门控剪枝算法，开发了一种高效检测模型。该模型在5类甘薯图像分类中准确率达93.08%，单样本检测仅需0.0022秒，为农业智能化分选提供了高精度、低复杂度的解决方案。

　　

甘薯作为全球重要的块根作物，富含蛋白质、膳食纤维和维生素等营养素，中国贡献了全球80%的产量。然而，其市场价值高度依赖外观品质，虫害和机械损伤常导致经济损失。传统人工分选存在效率低、主观性强的问题，而现有基于高光谱成像的技术成本高昂，卷积神经网络(CNN)又面临计算资源消耗大的挑战。针对这些问题，来自山东的研究团队在《Journal of Stored Products Research》发表论文，提出了一种融合门控剪枝与注意力机制的轻量化检测方法。

研究采用iPhone 14 Pro Max采集1833张"烟薯25"图像，以MobileNetV4为核心架构，创新性地整合了学习率调度器、多头自注意力机制(Multi-Head Self-Attention, MHSA)和基于门控机制的剪枝算法。通过三阶段实验设计：首先训练MNV4-S/M/L基础模型，随后引入MHSA模块增强特征提取能力，最终采用超网络门控机制实现动态剪枝。

性能验证显示：基础模型中MNV4-S训练准确率最高(96.88%)，而添加MHSA后模型参数量减少35.6%，验证了注意力机制对特征细粒度捕捉的有效性。剪枝优化阶段，MultiStepLR调度器显著缓解了类别不平衡引起的准确率波动，最优模型在保留93.08%准确率的同时，将计算量降低至原模型的1/4。技术对比表明：该方法单样本检测耗时(0.0022秒)显著优于传统高光谱技术，且无需昂贵设备支持。

研究结论指出，这种"训练-剪枝一体化"框架突破了传统分阶段剪枝的局限性，首次将门控机制应用于农业产品检测领域。通过减少57.3%的模型参数，实现了在移动端部署的可行性，为田间实时分选提供了新思路。作者团队特别强调，该方法可扩展至其他根茎类作物品控，其采用的动态剪枝策略对轻量化AI模型开发具有普适性参考价值。