
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:基于结构重参数化与自适应子空间学习的无训练少样本草莓外观质量识别
《Journal of Food Measurement and Characterization》:Training-free few-shot strawberry appearance quality recognition via structural re-parameterization and adaptive subspace learning
【字体: 大 中 小 】 时间:2026年07月07日 来源:Journal of Food Measurement and Characterization 3.6
编辑推荐:
摘要草莓外观质量识别对于自动化采收和采后分选至关重要。然而在实际农业环境中,收集大规模标注数据集既费力又昂贵,而实际应用还要求模型能够在资源有限的设备上高效运行。传统的监督式深度网络依赖大量的标注数据以及计算成本较高的架构,因此在实际应用中存在诸多限制。为了解决这些问题,我们提出
草莓外观质量识别对于自动化采收和采后分选至关重要。然而在实际农业环境中,收集大规模标注数据集既费力又昂贵,而实际应用还要求模型能够在资源有限的设备上高效运行。传统的监督式深度网络依赖大量的标注数据以及计算成本较高的架构,因此在实际应用中存在诸多限制。为了解决这些问题,我们提出了一种无需训练的可重参数化少样本(FS)草莓外观质量识别网络(RFSAQR-Net),适用于数据稀缺和部署条件受限的场景。具体而言,该网络采用结构重参数化策略,在预训练阶段利用多分支卷积来丰富特征表示,而在推理时将其转换为单一卷积,从而避免额外的计算开销。此外,还引入了一种基于自适应子空间的少样本分类器,将每个类别建模为低维线性子空间,从而在标注样本较少的情况下仍能有效捕捉类别内的差异性,实现稳健的识别。我们在StrawQ-4草莓品质分级数据集和StrawDISE-7草莓病害数据集上进行了大量实验,测试了多种少样本设置下的性能。实验结果表明,与常见的基准模型相比,RFSAQR-Net在大多数少样本设置下都能取得相当或更优的性能,同时还能很好地泛化到未见过的新草莓病害类别。此外,RFSAQR-Net在效率方面表现良好,具备在实际农业应用中的部署潜力。总体而言,RFSAQR-Net为实际农业环境中的智能水果分级和病害识别提供了一种标注效率高、无需训练且易于部署的解决方案。
草莓外观质量识别对于自动化采收和采后分选至关重要。然而在实际农业环境中,收集大规模标注数据集既费力又昂贵,而实际应用还要求模型能够在资源有限的设备上高效运行。传统的监督式深度网络依赖大量的标注数据以及计算成本较高的架构,因此在实际应用中存在诸多限制。为了解决这些问题,我们提出了一种无需训练的可重参数化少样本(FS)草莓外观质量识别网络(RFSAQR-Net),适用于数据稀缺和部署条件受限的场景。具体而言,该网络采用结构重参数化策略,在预训练阶段利用多分支卷积来丰富特征表示,而在推理时将其转换为单一卷积,从而避免额外的计算开销。此外,还引入了一种基于自适应子空间的少样本分类器,将每个类别建模为低维线性子空间,从而在标注样本较少的情况下仍能有效捕捉类别内的差异性,实现稳健的识别。我们在StrawQ-4草莓品质分级数据集和StrawDISE-7草莓病害数据集上进行了大量实验,测试了多种少样本设置下的性能。实验结果表明,与常见的基准模型相比,RFSAQR-Net在大多数少样本设置下都能取得相当或更优的性能,同时还能很好地泛化到未见过的新草莓病害类别。此外,RFSAQR-Net在效率方面表现良好,具备在实际农业应用中的部署潜力。总体而言,RFSAQR-Net为实际农业环境中的智能水果分级和病害识别提供了一种标注效率高、无需训练且易于部署的解决方案。