《Smart Agricultural Technology》：BeLFG-Net: A Lightweight Betel Leaf Freshness Grading Network via Hybrid Depthwise Separable Convolutions
编辑推荐：
槟榔叶（Piper betle L.）采后质量分级对南亚和东南亚的供应链效率至关重要，然而评估仍完全依赖人工流程，易受评分者间不一致性和吞吐量瓶颈的影响。视觉新鲜度线索——饱和绿色素沉着、表面干燥和褐变——呈现连续而非离散的演变过程，使得基于阈值的颜色分析不足
槟榔叶（Piper betle L.）采后质量分级对南亚和东南亚的供应链效率至关重要，然而评估仍完全依赖人工流程，易受评分者间不一致性和吞吐量瓶颈的影响。视觉新鲜度线索——饱和绿色素沉着、表面干燥和褐变——呈现连续而非离散的演变过程，使得基于阈值的颜色分析不足以应对。本研究提出BeLFG-Net（槟榔叶新鲜度分级网络），通过一种混合四块编码器解决这一挑战，该编码器将标准卷积用于初始特征建立，与深度可分离对（depthwise separable pairs）结合以实现参数高效的跨通道混合，随后接全局平均池化（Global Average Pooling, GAP）和一个紧凑的分类头。关键的效率提升源于深度可分离分解，它将空间滤波与通道整合解耦，相较于等效的标准卷积计算量减少约8–9倍，总参数量仅为979,651。研究人员进一步引入渐进式丢弃调度（Progressive Dropout Schedule）（p ∈ {0.25, 0.25, 0.25, 0.50}），在瓶颈过渡处施加最强正则化，有效抑制了在766张现场数据集（经数据增强至6,262个样本）上的过拟合。在三类新鲜度判别任务（新鲜、中等和陈旧）中，BeLFG-Net取得了95.72%的测试准确率，各类别的F1分数分别为0.96、0.96和0.95，优于ResNet-50（93.77%）和MobileNetV2（91.65%），同时参数量分别减少了26倍和3.5倍。消融实验证实，混合深度可分离块设计、渐进式丢弃和全局平均池化各自独立地促进了泛化性能，相较于标准CNN基线总体提升了+6.76%。这些结果表明，针对特定领域的轻量级架构能够在农业边缘部署常见的资源约束下实现高精度采后分类。
研究背景、现存问题与研究动机
槟榔叶（Piper betle L.）在孟加拉国、印度、泰国和马来西亚等国的农业经济中占据核心地位，种植面积约5.5万公顷，既作为消费品也作为药材原料交易。采后品质是决定市场价格的首要因素，然而分级至今仍完全依赖人工流程，由专家评估员通过观察叶片表面纹理、色泽和水分保持情况来划分新鲜度等级。这种人工判断方式引入了评分者间变异性和吞吐量瓶颈，在节庆季节供应量激增时尤为严重。自动化的分级系统若能区分新鲜、中等和陈旧样本，可直接降低拒收率、减少劳动力成本并提升冷链全链条的一致性。
核心技术挑战在于新鲜度类别之间视觉信号的微妙差异：新鲜叶片呈现饱和绿色素沉着、湿润且高镜面反射的表面；中等叶片开始出现黄化和表面干燥；陈旧叶片则显示褐变、皱缩纹理及局部组织崩解。这些转变是连续而非离散的，导致大类内方差和小类间边际，使基于阈值的颜色分析和手工特征描述难以奏效。深度卷积神经网络（Convolutional Neural Networks, CNNs）通过学习像素数据的层级特征表示，能够同时捕获光谱、纹理和形态学线索，从而规避了这一限制。
尽管CNNs已被广泛应用于植物病害检测和一般农产品分级，槟榔叶新鲜度分类的研究相对匮乏。现有的槟榔专用研究主要聚焦于病害识别而非采后新鲜度评估，公开数据集也多以标注的病害类别为主而非新鲜度等级。从架构角度看，在通用基准上取得高精度的标准CNN模型参数动辄数千万，这对于农场级嵌入式硬件上的边缘部署而言不切实际。因此，亟需一个专门构建的数据集和一个针对三类新鲜度判别问题优化的轻量级模型架构。
关键技术方法
研究人员采用以下主要技术方法开展研究：
- 1.
数据集采集与预处理：在孟加拉国库克斯巴扎尔地区的槟榔叶农场，使用手持消费级智能手机相机在环境日光下拍摄了766张原始RGB照片，无影室灯光、闪光灯或受控背景。新鲜度由领域专家依据农艺标准在拍摄时确定，分为新鲜（292张）、中等（181张）和陈旧（293张）三个类别。
- 2.
标识符级别分层拆分与离线数据增强：为每张原始照片分配唯一标识符，在增强前按80/20比例进行分层拆分，得到613个训练标识符和153个测试标识符。增强操作包括随机旋转（[-15°, +15°]）、水平/垂直翻转、剪切（系数[-0.2, 0.2]）、缩放（[0.8, 1.2]）、平移（最多图像宽高的10%）、亮度抖动（乘性因子[0.5, 1.5]）和对比度调整（[0.65, 1.6]），最终生成5,010个训练视图和1,252个测试视图。
- 3.
BeLFG-Net架构设计：提出一种混合四块编码器结构，处理224×224×3输入图像。第一块以一个标准3×3卷积（步长1，填充1）起始，建立64通道的特征基础，随后接深度可分离卷积对（Depthwise Separable Convolution pair）：先进行3×3深度卷积（Depthwise Conv）进行空间滤波，再进行1×1逐点卷积（Pointwise Conv）进行通道混合。后续三个编码块逐步增加通道数（128、256、512）并降低空间分辨率（112×112、56×56、28×28），每个块均采用深度可分离卷积对。所有卷积层后接批归一化（Batch Normalization）和ReLU激活函数。编码器末端接入全局平均池化（Global Average Pooling, GAP）层，将空间特征聚合为紧凑描述子，再送入由三个全连接层（512→128→64→3）组成的分类头，其中包含渐进式丢弃正则化（Progressive Dropout Schedule），丢弃概率p在前三层设为0.25，在瓶颈过渡处升至0.50。
- 4.
训练协议与比较基准：模型从头训练，与ResNet-50和MobileNetV2等基线架构进行比较，并通过消融实验验证各组件的独立贡献。
研究结果
3.1 数据集构成
数据集共766张原始图像，经标识符级分层拆分后，613张用于训练，153张用于测试。增强后训练集含5,010个视图，测试集约1,252个视图。陈旧类因外观范围更广，增强倍数更高（约10×），而新鲜和中等类约7×。
3.2 标识符级拆分与增强管道
通过四步流程确保无训练-测试泄露：原始标识符分配、分层标识符拆分（80/20）、分区内离线增强（几何与光度变换）、仅使用测试视图报告指标。所有增强视图继承其父标识符的分区归属，确保同一叶片不会同时出现在训练集和测试集中。
3.3 提出架构
BeLFG-Net包含四个编码块，总参数量仅979,651。第一块以标准卷积建立通道基础，后续块采用深度可分离卷积对实现参数高效的空间-通道混合。全局平均池化替代全连接层进行空间聚合，显著减少参数量。渐进式丢弃调度在瓶颈处施加最强正则化，有效防止过拟合。
4.1 主要分类结果
BeLFG-Net在测试集上达到95.72%的准确率，三类（新鲜、中等、陈旧）的F1分数分别为0.96、0.96和0.95。相比之下，ResNet-50准确率为93.77%，MobileNetV2为91.65%。BeLFG-Net参数量仅为ResNet-50的约1/26、MobileNetV2的约1/3.5，展现了卓越的参数效率。
4.2 消融研究
通过逐步移除各组件进行消融实验：移除渐进式丢弃（固定p=0.25）导致准确率下降；用标准卷积替换所有深度可分离卷积使参数量激增约8倍而准确率仅小幅提升；移除全局平均池化改用展平操作增加了过拟合风险。完整模型相较标准CNN基线总体提升+6.76%，证实混合深度可分离块设计、渐进式丢弃和全局平均池化各自独立地促进了泛化性能。
4.3 与现有方法的比较
BeLFG-Net在准确率和参数效率方面均优于ResNet-50和MobileNetV2，表明针对特定领域设计的轻量级架构能够在资源受限场景下超越通用大型模型。
讨论与结论
讨论部分：研究人员指出，虽然BeLFG-Net取得了优异性能，但仍存在若干局限性。首先，数据集规模相对较小（仅766张原始图像），且全部来自单一地理区域（孟加拉国库克斯巴扎尔），可能限制了模型对不同种植区域、品种和光照条件的泛化能力。其次，数据增强虽模拟了手机端检测的常见变化，但未涵盖极端光照条件或严重遮挡。第三，三分类方案（新鲜、中等、陈旧）虽符合农艺实践，但更细粒度的分级（如按小时计的新鲜度衰减）可能对供应链优化更有价值。此外，模型仅在静态图像上评估，未考虑视频流或实时推理场景下的性能表现。未来工作可探索跨地域数据集扩展、半监督学习以减少标注需求、以及模型量化与剪枝以进一步压缩部署规模。
结论部分：研究人员提出了BeLFG-Net，一种专为槟榔叶采后新鲜度分级设计的轻量级深度学习架构。通过在四个编码块中混合使用标准卷积与深度可分离卷积对，并结合渐进式丢弃正则化和全局平均池化，模型在仅97.9651万个参数下实现了95.72%的三类分类准确率，显著优于ResNet-50和MobileNetV2等更大规模的基线模型。消融实验证实了各设计组件的独立有效性。这些结果表明，针对特定农业应用场景精心设计的轻量级架构能够在满足边缘部署资源约束的同时提供高精度分类性能，为南亚和东南亚地区槟榔叶供应链的自动化质量控制提供了可行的技术路径。
