一种基于解剖结构引导的轻量化L-Net用于X射线无损核桃品种分类及边缘部署

《Journal of Food Measurement and Characterization》：An anatomy-guided lightweight L-Net for X-ray-based non-destructive walnut variety classification and edge deployment

　　

摘要

本研究考察了三种商业带壳核桃品种——新丰（XF）、文185（185）和欣欣2号（XX2）——它们的外部形态高度相似，但在X射线图像中内部解剖结构明显不同。准确的分选对于采后质量控制和基于价值的加工至关重要，然而外部相似性使得光学检测不可靠，而紧凑的边缘部署网络可能会依赖局部X射线伪影，而非人类检验员所使用的全局内部结构信息。我们提出了L-Net，一个解剖引导的轻量级分类框架，其方法论贡献在于反捷径协同设计策略，而非孤立地引入新算子。以MobileNetV3-small为基础，压缩任务头以减少参数开销；在选定阶段引入坐标注意力以保留与核桃对称性相关的水平和垂直位置线索；采用静态7×7深度可分离卷积在不使用对硬件不友好的重采样的情况下扩大感受野；广义均值池化则保留判别性的解剖学响应特征。训练阶段使用PolyLoss和指数移动平均来稳定视觉相似品种之间的模糊决策边界。因此，每个组件都针对特定的失效来源——位置歧义、长程上下文不足、结构聚合能力弱或困难样本优化不稳定——同时推理图保持与低成本边缘硬件的兼容性。逐步消融实验、Grad-CAM以及专家引导的定量解剖感兴趣区域重叠分析共同支持了这一设计假设：L-Net的激活模式从不对称局部边缘转向全局轮廓、隔板和内部对称结构。在保留的测试集上，L-Net达到了96.24%的准确率和96.14%的宏平均F1分数；新丰品种的召回率从84.01%提升至93.93%，文185品种的精确率从87.21%提升至94.37%。边缘可部署性被视为一项明确的工程约束，也是整个模型开发过程中的设计目标之一。在Orange Pi 3B（RK3566）上，INT8量化使准确率从96.24%降至95.4%（下降0.84个百分点），而NPU执行在3.4W功耗下实现了16.5毫秒的端到端延迟；仅使用CPU的树莓派4B在5.8W功耗下需要38.5毫秒，仅作为可移植性测试保留。两款设备的运行时内存占用均约为80MB。这些结果支持了一种面向特定任务、可解释且具有部署感知的方法，用于高吞吐量的带壳核桃无损分选。