基于太赫兹成像与MobileNetV3-GS的小麦萌发状态无损检测方法研究

本文推荐：研究团队创新性融合太赫兹（THz）成像技术与改进的MobileNetV3-GS深度学习框架（集成全局注意力机制GAM和平滑最大单元SMU），实现了小麦萌发状态的高精度（91.33%准确率）无损检测，为粮食质量安全与精准农业提供了突破性解决方案。

　　

亮点

传统检测方法（如视觉检查、降落数值法）对小麦萌发早期阶段识别能力有限，而本研究提出的太赫兹（THz）成像结合MobileNetV3-GS模型，通过多维度特征提取和梯度优化技术，显著提升了对萌发细微特征的捕捉能力。

改进的MobileNetV3-GS网络架构

研究基于MobileNetV3-Large主干网络，引入全局注意力机制（GAM）替代传统压缩-激励模块（SE），同步强化通道、空间和全局维度特征交互。配合平滑最大单元（SMU）激活函数缓解梯度消失问题，使模型在保持轻量化同时，对萌发小麦的THz图像关键区域响应提升23.6%。

模型训练

实验采用1,500张THz透射图像（涵盖正常、吸胀、胚根突破等5个萌发阶段），以Adam优化器（初始学习率1×10^-5）训练300轮次。对比测试显示，本模型准确率较ResNet50、MobileViT分别高出5.77%和10.23%，F1分数提升9.8%。

结论

该技术突破传统检测的时空限制，首次实现小麦萌发全过程（包括不可见生化变化阶段）的无损动态监测，为粮食仓储智能化提供新范式。

作者贡献声明

洪艺格：研究设计/经费支持；郭春燕：实验执行/初稿撰写；蒋玉英：数据验证/监督指导；团队其他成员分别参与数据采集（王顺等）和项目管理（张远）。

利益冲突声明

? 作者声明无任何可能影响研究结果的财务或个人关系。

致谢

感谢国家自然科学基金（62271191）、河南省科技攻关项目（222102110246）等资助。