《Journal of Agriculture and Food Research》：Post-harvest sorting of fresh corn based on semantic segmentation
编辑推荐：
为解决鲜食玉米产后人工分选效率低、主观性强的问题，研究人员开展基于语义分割的Corn-Net模型研究，通过多尺度条带卷积注意力块（MSCAB）增强对玉米籽粒排列特征及缺陷区域的感知能力，实验表明该模型在自建数据集上mIoU达83.03%，Dice系数达80.22%，并成功集成硬件系统实现实时分级，为农业自动化提供新方案。
玉米作为全球重要的粮食作物，其产后外观品质直接影响市场价值。传统人工分选方式劳动强度大、效率低且易受主观因素影响，难以满足现代化农业生产需求。尽管基于机器视觉的传统图像处理方法在一定程度上有助于缺陷检测，但其在复杂环境下对光照变化、背景干扰的敏感性较强，且手工设计特征对异构缺陷模式的表征能力有限。随着深度学习技术的发展，语义分割在农业图像分析中展现出潜力，但针对鲜食玉米产后多缺陷（如缺粒、病害）的精准分割研究仍较为缺乏。
为此，研究团队在《Journal of Agriculture and Food Research》上发表论文，提出了一种名为Corn-Net的语义分割模型，专门用于鲜食玉米的自动化产后分选。该研究构建了包含1920张高分辨率玉米图像的像素级标注数据集，涵盖完整籽粒、缺失籽粒、病害和背景四类标签，并针对玉米籽粒的排列特性设计了多尺度条带卷积注意力模块（MSCAB），通过组合K×1与1×K的条带卷积模拟大卷积核的感受野，以较低计算成本捕捉长条状缺陷特征。
研究采用的主要技术方法包括：基于U-Net的编码器-解码器架构，嵌入MSCAB模块以提取多尺度特征；使用加权交叉熵损失与Dice损失结合缓解类别不平衡；利用ONNX Runtime将模型部署至软硬件集成系统，在GPU上实现实时推理（34.55 FPS）。实验结果表明，Corn-Net在测试集上平均交并比（mIoU）达83.03%，平均Dice系数为80.22%，显著优于PSPNet、DeepLab v3+、Swin-UNet等对比模型。
3.1. 多尺度卷积核的优化作用
通过对比不同卷积核配置发现，采用K∈{7,11,21}的多尺度条带卷积组合能够有效识别不同大小的缺陷区域，其MIoU较基线3×3卷积提升1.23%，对缺失籽粒和病害区域的分割精度分别提高2.39%和1.51%。
3.2. 注意力机制增强特征提取
MSCAB模块通过通道注意力机制强化缺陷相关特征响应，可视化热图显示其能更精准聚焦于细小缺粒和病斑区域，减少背景误判。
3.3. 轻量化设计与实时性
Corn-Net参数量仅11.95 M，在GPU推理延迟为28.94 ms，兼顾精度与效率，满足产后分选线实时处理需求。
4. 结论与讨论
Corn-Net通过引入面向玉米形态特点的条带卷积与多尺度注意力机制，显著提升了缺陷分割的准确性与鲁棒性。研究不仅为鲜食玉米自动化分级提供了可行方案，其模块化设计思路也可扩展至其他农作物视觉检测任务。未来工作将聚焦于跨品种适应性优化与复杂环境下的模型泛化能力提升。
