引言
小麦是全球最重要的主粮作物之一，籽粒质量与粮食安全、储藏管理、商业分级及加工利用密切相关（Wang et al., 2025a; Liang et al., 2024）。在粮食用量统计、储存全程质量监控以及出库检验过程中，需要快速、客观且一致地对大量小麦籽粒进行评估。随着机器视觉和深度学习的进步，基于图像的自动化检测已成为小麦外观质量评估的重要手段，在减少人工检验主观性的同时提高了检验效率（Wang et al., 2025a; Liang et al., 2024; Shen et al., 2023; Qiu et al., 2024）。然而，不完善籽粒的判别特征往往表现为局部颜色变化、细粒度表面纹理及轮廓差异（Wang et al., 2025a; Shen et al., 2023; Qiu et al., 2024），使其识别对图像采集质量尤为敏感。
与受控实验室成像相比，仓库环境下的连续视觉检测面临更为复杂的采集约束。粮库采样装置和传送带式检测系统通常需要在有限时间内连续采集并识别大量籽粒，同时在检验效率、系统复杂度和运行稳定性之间取得平衡。籽粒与成像设备之间的相对运动、传送带振动、有限景深以及光照变化均可能导致图像模糊和细节丢失。局部纹理、边缘和颜色信息的退化随后会增加不完善籽粒识别、检测和分割的难度（Wang et al., 2025a; Shen et al., 2023; Qiu et al., 2024）。
从成像系统设计角度来看，提高输入图像质量的直接方法是增强采集硬件和成像配置。例如，AV4GAInsp采用了专门设计的籽粒喂送与图像采集模块以及双相机配置，以高效采集谷物籽粒的高质量图像（Fan et al., 2024）。GrainBrain进一步采用多视角成像，从不同角度获取单个籽粒的视觉信息，为缺陷籽粒识别和分级提供更完整的表面表征（Fan et al., 2025）。这些研究表明，专用成像设备和多视角采集可以为谷物籽粒提供更完整的视觉信息；然而，它们也需要额外的相机、图像采集组件、同步控制和系统集成。另一种缓解动态成像退化的方法是降低籽粒输送速度，从而为图像采集提供更稳定的条件，但这通常会导致单位时间内的检验吞吐量降低（Guan et al., 2022; Oh et al., 2025）。因此，仓库粮食检验涉及成像质量、设备复杂度和检验效率之间的权衡。对于成像硬件无法进一步扩展或检验速度无法进一步降低的资源受限系统而言，探索基于软件的图像质量补偿方法具有实际意义。
图像超分辨率（SR）提供了一种与硬件改进相辅相成的技术途径来解决上述问题。SR学习低分辨率图像与高分辨率图像之间的映射关系，从退化输入中重建结构和纹理信息，从而提高用于后续视觉任务的图像质量（Su et al., 2025）。近年来，其应用逐渐从单纯的图像重建扩展到农业视觉分析和质量评估等下游任务（Jiang et al., 2024; Weng et al., 2025）。对于小麦籽粒质量检测而言，细粒度表面纹理、局部缺陷结构和全局籽粒形态均包含质量评估的重要判别信息（Wang et al., 2025a; Qiu et al., 2024; Weng et al., 2025）。同时，基于传送带的仓库成像可能涉及多种退化，包括运动模糊、离焦、光照波动、噪声和压缩，使得有效恢复这些判别结构和纹理更具挑战性（Guan et al., 2022; Oh et al., 2025; Su et al., 2025）。
深度学习大幅提升了图像超分辨率的重建能力（Su et al., 2025），但仓库小麦籽粒检测对模型提出了更为具体的要求。一方面，籽粒轮廓、纵向结构和全局形态包含空间上扩展的结构信息（Baranova et al., 2019），因此需要相对较广的空间上下文进行有效表征（Wang et al., 2025b; Luo et al., 2016）。另一方面，与质量相关的线索如霉变纹理、虫蛀痕迹、胚部异常和破碎边界高度局部化，需要保留细粒度特征响应（Wang et al., 2025a; Qiu et al., 2024; Weng et al., 2025）。同时，仓库连续检测还要求图像增强过程保持低计算和内存开销（Li et al., 2025a; Wang et al., 2025b）。因此，如何在有限计算资源下平衡大范围结构感知与局部判别细节恢复，仍是面向仓库的小麦籽粒超分辨率重建的关键挑战。
为解决上述问题，本文提出了谷粒快速超分辨率网络（Grain Fast Super-Resolution Network, GFSRNet）。GFSRNet面向低成本成像和边缘设备部署的仓库质量检验场景设计，旨在以少量参数和低推理延迟恢复小麦籽粒图像中的边缘轮廓、胚部细节和缺陷相关纹理。它为后续不完善籽粒识别、损伤检测和质量分级提供更可靠的输入。本文的主要贡献如下：
- 1.
设计了一种动态多尺度大核注意力模块。该模块采用多个具有互补感受野的深度可分离膨胀卷积分支来建模不同范围的空间上下文，同时位置相关的尺度门控自适应地调节不同尺度在不同空间位置的贡献。该设计在扩展空间信息交互范围的同时保持了较低的计算开销。
- 2.
提出了一种对比感知通道注意力模块。联合使用通道级均值和标准差分别表征整体激活水平和通道内空间响应离散程度，以有限的额外计算成本为特征重标定提供互补的统计信息。
- 3.
开发了一种面向仓库小麦籽粒图像的轻量化超分辨率网络GFSRNet。该网络在紧凑框架内集成了多尺度空间建模、统计通道重标定和特征蒸馏，以低参数量和计算成本实现了强大的重建性能。并通过固定下游分类器进一步评估了其在小麦籽粒质量分类中的实用价值。
