《Smart Agricultural Technology》：LMPF: Lightweight Multi-Scale Prediction Framework in Lettuce Agriculture
編輯推薦：
為解決生菜（Lactuca sativa L.）生長表型（如鮮重、干重、株高等）難以實現輕量化、跨生長階段精準監測的難題，本研究提出了一種新穎的輕量級多尺度預測框架（LMPF）。該框架巧妙融合RGB與深度圖像信息，通過深度可分離密集融合模塊（DSDF）、生長階段自適應感受野金字塔模塊（GPAR-Pyramid）及多任務自適應空間通道注意力模塊（MTASCA），在僅1.02M參數下實現了對生菜五個關鍵生長性狀的平均預測R2達到93.77%，在保證高性能的同時顯著降低了模型復雜度，為資源受限的邊緣設備部署提供了高效解決方案，對推動精準農業實踐具有重要意義。
在現代精準農業中，實現對作物生長關鍵指標的實時、無損、準確監測，是實現精細化灌溉、施肥和產量預估的基石。生菜作為一種廣泛種植的葉類蔬菜，其鮮重、干重、葉面積、株高等表型性狀直接關系到最終的產量與品質。然而，傳統的測量方法依賴人工，費時費力，難以規�；�；而基于圖像的傳統方法，其依賴于人工設計的特征，在面對復雜的田間環境（如葉片遮擋、光照變化）時，其穩健性和泛化能力往往捉襟見肘。近年來，雖然基于深度學習的卷積神經網絡（CNN）方法展現出強大潛力，能自動學習特征，但現有研究大多追求更高的預測精度，導致模型日益復雜、參數量龐大、計算開銷高，難以在計算資源有限的邊緣設備（如田間監測節點、無人機）上部署。更關鍵的是，現有模型對RGB（顏色紋理）和深度（三維幾何）這兩種互補模態信息的融合與利用仍缺乏深度探索，這成為提升其全面感知能力的一個關鍵瓶頸。
針對上述交織的三大挑戰——模型參數量大、計算成本高；作物從幼苗到成熟期尺度形態變化劇烈；RGB與深度模態信息互補但異質性強，難以有效融合——由哈爾濱師范大學物理與電子工程學院的Zihan Gao、Xianwei Rong和Xiaoyan Yu組成的研究團隊，在《Smart Agricultural Technology》期刊上發表了一項創新性研究。他們提出了一個名為“輕量級多尺度預測框架（LMPF）”的緊湊型網絡，旨在為生菜生物量預測提供一個兼顧高性能與低復雜度的端到端解決方案。
研究人員為開展此項研究，主要運用了以下幾個關鍵技術方法：首先，利用騰訊與瓦赫寧根大學主辦的第三屆自主溫室挑戰賽的公開數據集，該數據集包含來自四個生菜品種（Lugano, Salanova, Aphylion, Satine）七個生長周期的388對RGB-D圖像及其對應的五個生長性狀真實測量值。其次，在數據預處理中，將RGB和深度圖像沿通道維度拼接成四通道（4-channel）RGB-D張量作為模型輸入。模型架構核心包括：1) 基于深度可分離卷積和密集連接的深度可分離密集融合（DSDF）模塊，用于高效提取局部細節特征；2) 基于膨脹卷積構建分層金字塔結構的生長階段自適應感受野金字塔（GPAR-Pyramid）模塊，通過可學習分支權重動態調整感受野以捕獲多尺度信息；3) 集成通道和空間注意力并引入任務相關性權重的多任務自適應空間通道注意力（MTASCA）模塊，用于智能融合RGB-D信息并將其分配給不同的預測任務；4) 為五個生長指標（鮮重、干重、株高、直徑、葉面積）分別建立獨立的輕量級回歸頭，實現多性狀聯合預測。模型使用加權歸一化均方誤差作為多任務損失函數進行端到端訓練。
研究結果部分揭示了LMPF框架的卓越性能與有效性：
- •
4.2. 性能評估：研究采用決定系數（R2）和歸一化均方根誤差（NRMSE）作為核心評估指標。在公開數據集上的測試表明，LMPF模型在參數量僅為1.02百萬（1.02M）、計算量僅6.53 GFLOPs的情況下，取得了所有對比模型中最優的平均性能，五個生長性狀的平均R2達到93.77%，平均NRMSE為16.23%。
- •
4.3. 定量比較：通過與一系列主流模型（包括CNN、VGG16、AlexNet、ResNet50、ResNet101、GFFN以及現代輕量級模型ConvNeXtV2、ShuffleNetV2、RepViT）進行公平比較，LMPF在平均預測精度上超越了所有對比模型。特別是在株高（LH）和直徑（LD）這兩個結構性性狀上，LMPF取得了最優的預測結果（R2分別為92.54%和90.53%）。在鮮重（FW）、干重（DW）和葉面積（LA）預測上，其性能也與最優模型相當甚至接近，但LMPF在參數和計算效率上具有顯著優勢，驗證了其出色的精度-效率權衡。
- •
4.4. 定性比較：通過對不同生菜品種樣本的可視化分析顯示，LMPF模型生成的響應圖在生菜葉片邊緣區域產生了更清晰、語義更分明的激活，同時有效抑制了無關背景響應。這種聚焦的激活模式與其在結構性性狀（如LH和LD）上優越的定量性能相一致，直觀表明其多尺度、跨模態融合機制能更有效地捕捉對回歸預測至關重要的結構線索。
- •
4.5. 消融研究：為驗證各核心模塊的有效性，研究進行了系統的消融實驗。結果表明，完整的LMPF框架（包含DSDF、GPAR-Pyramid和MTASCA三個模塊）取得了最佳的綜合性能。移除任何一個模塊都會導致平均預測精度下降，特別是GPAR-Pyramid和MTASCA模塊的缺失對株高和直徑預測影響顯著，證實了多尺度特征聚合和智能模態融合對于應對植物生長尺度變化和充分利用互補信息至關重要。DSDF模塊則在保證性能的同時，是模型實現輕量化的關鍵。
研究結論與討論部分對LMPF的創新性與應用價值進行了總結與展望。本研究成功提出并驗證了一個名為LMPF的輕量級多尺度金字塔網絡，用于生菜生物量和形態參數的高效、精準預測。該框架通過深度可分離密集融合（DSDF）模塊實現了參數高效的特征提�。煌ㄟ^生長階段自適應感受野金字塔（GPAR-Pyramid）模塊動態捕獲了從幼苗到成熟植株的多尺度特征；并通過多任務自適應空間通道注意力（MTASCA）模塊智能地融合了RGB和深度模態信息，將其有效分配給不同的預測任務。實驗證明，LMPF不僅在多個生菜生長性狀預測任務上取得了領先的性能，更重要的是，其以極低的參數量（1.02M）和計算成本實現了這一目標，在精度與效率之間取得了優異的平衡。
這項研究的意義在于，它為解決農業表型分析中模型復雜度與部署可行性之間的矛盾提供了一個切實可行的技術方案。LMPF所展現出的輕量化、高精度特性，使其非常適合在資源受限的實際農業環境（如智能溫室、田間移動監測平臺）中進行部署，為實現實時、自動化的作物生長監測與精準管理提供了有力的工具。未來，該框架的設計思路有望擴展到其他作物或其他農業視覺任務中，推動深度學習在精準農業領域的更廣泛應用。研究也指出，盡管在可控溫室數據集上表現出色，未來仍需在更復雜、多變的露天田間環境中進一步驗證和優化模型的魯棒性與泛化能力。
