基于改进EfficientNet_b0的稻米地理溯源深度学习模型：精准农业中多源产地识别新方法

本研究针对稻米地理溯源难题，创新性地结合深度学习与图像处理技术，通过改进EfficientNet_b0模型（引入动态学习率调整策略、移除Dropout层、采用分组卷积），在10个产地的Ji-Japonica 830稻米数据集上实现96.8%的分类准确率，显著提升农业产地鉴别效率。该研究为粮食质量监管和精准农业提供了轻量化解决方案。

　　

论文解读

稻米作为全球半数人口的主粮，其品质受地理环境显著影响。然而，当前基于计算机视觉的稻米分类研究多聚焦品种差异，对同一品种在不同产地的表型特征识别缺乏有效手段。传统化学检测方法成本高、耗时长，而现有深度学习模型存在参数量大、泛化性不足等问题。针对这一现状，吉林省农业科学院水稻研究所的研究团队在《Current Plant Biology》发表论文，提出了一种改进的轻量化深度学习模型，为稻米地理溯源提供了高效解决方案。

研究团队首先采集了吉林省10个产区的Ji-Japonica 830稻米样本，通过阈值分割和轮廓提取算法构建包含30,000张图像的数据集，并采用亮度增强和高斯噪声注入进行数据增强。关键技术包括：（1）对比测试MobileNetV3_s等8种网络模型；（2）改进EfficientNet_b0的MBConv模块（移除Dropout层、引入分组卷积GConv）；（3）采用指数衰减策略动态调整学习率（公式：LR_epoch=LR₀×DR^epoch）；（4）基于Grad-CAM可视化特征提取过程。

模型比较与选择
通过对比4种轻量级和4种经典网络，发现EfficientNet_b0以93.38%准确率（FLOPs 411.56M）表现最优。轻量级网络整体参数均值仅为2.683M，是经典网络的15.8%，更适合资源受限场景。

模型改进
改进后的EfficientNet_b0+GConv+DALR+RD模型实现三大突破：（1）准确率提升至96.8%，对噪声图像识别率从93.89%提升至97.08%；（2）参数量减少32.3%至2.72M；（3）训练时间缩短至75秒/轮次。消融实验证实，动态学习率调整（DR=0.98）和Dropout移除对性能提升贡献最大。

跨土壤类型验证
模型在5类土壤种植稻米的测试中表现优异：黑钙土（Chernozem）F1-score达97.4%，暗棕壤（Dark brown forest soil）更达98.8%，证明其对环境因子的强适应性。

讨论与意义
该研究首次实现同品种稻米的多产地精准识别，改进策略使模型在保持轻量化优势的同时，对噪声和过曝光的鲁棒性显著提升。未来可结合MobileNetV4进一步优化参数，或嵌入YOLOv11实现实时监测。研究成果为粮食质量监管提供了可部署的轻量化工具，对打击产地造假、保障农产品贸易公平具有重要实践价值。