摘要：<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；在现代农业中，非常需要对破损或损坏的玉米粒进行准确和快速的检测。然而，传统的手工方式由于其固有的易出错、劳动强度大、耗时长等特点，已不能完全满足近年来大规模应用的需求。此外，对现代农业的高效率和可扩展性提出了重大限制。相比之下，使用深度学习（如Squeezenet网络），图像识别有望大幅提高破碎内核检测的准确性和效率。Squeezenet模型在识别小目标（如玉米粒）方面仍然存在一些挑战。在网络的深度中，更好地需要复杂和多层卷积来有效地处理输入图像。由于更深的架构可以增强特征提取，因此对处理能力、内存和存储也提出了大量的计算要求。特别地，实时应用不能完全满足资源受限的环境，例如通常部署在农业环境中的移动设备或嵌入式系统。在本研究中，引入了一种优化的Squeezenet模型来特异性地检测破碎的玉米籽粒。该架构（称为Squeezenet-DW2）用于增强原始Squeezenet框架。降低了计算复杂度，提高了效率，更适合于实时农业应用。在经典的Squeezenet架构中引入了几个关键的修改，以提高效率并降低计算复杂度。首先，将FIRE的层数减少到最终卷积层的输入通道。此外，标准卷积被替换为深度可分离卷积。保留特征提取以显著降低计算成本。此外，还集成了GHOST模块，以细化FIRE模块的扩展层。还引入了3×3卷积，以有效地减少计算需求和参数数量。增强的架构被称为Squeezenet-DW2-GH，表示GHOST模块的集成。与原始的Squeezenet相比，改进后的网络效率更高，更适合实时农业应用。为了在训练过程中自适应地学习激活参数，采用参数校正线性单元（PRELU）作为激活函数。网络简化后的精度下降得到了缓解，以较低的计算复杂度保持了高性能。优化后的最终模型称为Squeezenet-DW2-GH-P。实验结果表明，与原始结构相比，参数数量减少到0.60MB，减少了51.61%，而计算成本降低了48.54%，操作次数为36.71MFLOPS。值得注意的是，最优网络的验证和测试准确率分别为93.98%和92.33%，表明其在玉米破碎籽粒检测中的有效性和高效性。总之，改进的Squeezenet架构实现了参数计数、内存占用和计算需求的大幅减少。改进模型适用于资源受限的移动设备和嵌入式设备的部署。玉米破损籽粒的实时检测也为现代农业提供了一种实用的解决方案。
