基于多专家分组引导的轻量化框架解决温室番茄栽培周期长尾识别挑战

这篇研究提出了一种创新的多专家分组引导轻量化框架（MSC-MobileViT），通过分组策略（Head/Balance/Tail）训练专家模型并结合知识蒸馏技术，有效解决了温室番茄栽培周期识别中的长尾分布问题（long-tailed challenge）。该框架在保持低参数量（0.95M）的同时，将整体准确率提升至95.99%，尾类识别准确率最高提升14.6个百分点，为精准农业（precision agriculture）中的边缘计算部署提供了新范式。

　　

引言：温室番茄栽培周期识别面临的长尾挑战

温室番茄作为全球最具经济价值的蔬菜之一，其工厂化生产涉及从基质放置到种苗拔除的9个关键阶段。由于不同栽培周期持续时间差异巨大（如"生产中后期"持续数月而"基质浸泡"仅需数小时），导致数据呈现典型长尾分布，传统机器学习方法在尾类识别上表现欠佳。

研究方法：多专家分组与轻量化框架创新

研究团队提出三阶段解决方案：

1. 1.

   数据分组策略：按样本量将数据集划分为Head（空闲期、生产中后期）、Balance（生产后期、种苗拔除、定植）和Tail（基质放置、开孔、基质浸泡、生产前期）三组

2. 2.

   专家模型训练：采用MobileViT-s作为基础架构，每组训练独立专家模型，并增设"其他"类别节点实现开放集识别

3. 3.

   知识蒸馏：通过温度系数T=2的软标签蒸馏，将集成专家模型知识迁移至改进的MSC-MobileViT学生模型

关键技术突破：

• •

  多尺度卷积模块（MultiScaleConv）：包含4个并行分支（3×3平均池化、3×3/5×5/7×7卷积），增强多尺度特征提取能力

• •

  损失函数设计：结合KL散度软损失（L_soft）和ReduceFocalLoss硬损失（L_hard），平衡系数α=0.7

实验结果：全面超越现有方法

在包含1,362张训练图像的数据集上，该框架展现出显著优势：

1. 1.

   整体性能：准确率95.99%、精确率91.03%、召回率93.57%、F1值92.02%

2. 2.

   尾类提升：基质浸泡准确率从56%提升至88%，生产前期从67%提升至83%

3. 3.

   参数效率：仅0.95M参数，FLOPs 0.29G，较MobileViT-s（4.94M/1.46G）大幅降低

可视化分析：

Grad-CAM热图显示，MSC-MobileViT能同时关注植株整体结构和局部细节（如叶片形态、果实状态），而MobileNetV3仅聚焦连续大区域。在"生产中后期"识别中，模型可同步捕捉冠层结构和单果特征。

讨论与展望：

当前研究仍存在数据集多样性不足、边缘设备部署优化等局限。未来方向包括：

1. 1.

   动态专家分配机制：通过元学习实现专家组合自适应调整

2. 2.

   多模态融合：整合环境传感器数据（温度/湿度/CO₂浓度）与图像特征

3. 3.

   联邦学习：在保护数据隐私前提下实现分布式模型更新

这项研究不仅为农业长尾识别问题提供了创新解决方案，其分组专家策略和知识蒸馏方法也可拓展至医疗影像分析等生命科学领域，对推动边缘计算在精准农业中的应用具有重要实践价值。