来源：期刊VIP网 时间：
作者：张庆辉;王晶平;吕鹏涛;王爱民;吕磊;张梦雅;王金辉;
单位：河南工业大学粮食信息处理与控制教育部重点实验室;河南工业大学河南省粮食光电探测与控制重点实验室;河南工业大学河南省粮食大数据分析与应用工程技术研究中心;河南工业大学电气工程学院;
摘要：现有的小麦不完善粒识别模型忽略了在同一卷积层提取多尺度特征的重要性，因提取的特征过于单一而产生了识别精度较低的问题，针对此提出了多尺度并行卷积神经网络MSPCNeXt。其中，MSPCNeXt-v1结合降维和大核平均分解，既降低了模型开销，又提升了表征能力；MSPCNeXt-v2则在通道维度分割特征向量，将各部分输入不同分支，通过因式分解将大卷积核转为串联的正交平方核，以提高性能。结果表明：在公开数据集GrainSpace上验证了MSPCNeXt-v1和MSPCNeXt-v2模型的有效性；相较于基线ConvNeXt, MSPCNeXt-v1的平均精确率提高了2.605%,Top-1精确率提高了2.353%,但是模型规模较大；MSPCNeXt-v2的平均精确率提高了2.297%,Top-1精确率提高了1.912%,同时还减少了0.456 G的计算量和5.986 M的参数量。通过多尺度并行卷积提取小麦不完善粒的特征，再利用卷积分解和特征分割降低模型复杂度，可以有效地提升识别效率。
关键词：小麦不完善粒;;多尺度卷积;;并行分支;;卷积分解;;特征分割
基金资助：国家自然科学基金项目(62073123);; 河南省重大公益项目(201300311200)
