GroupCeptionNet：一种用于使用宏观图像对辣椒种子发芽进行分类的轻量级模型

小小种子为何关乎丰收

对农民和园艺者而言，每一粒健康的种子都意味着未来的作物和收入。但并非所有种子都会发芽，分拣好种子与坏种子长期以来依赖耗时的人工检查或昂贵的实验室设备。该研究展示了如何仅用一台普通相机和适度的计算能力，通过清晰的特写照片和一个紧凑的人工智能模型快速判断辣椒种子是否具备良好的发芽潜力。

拉近视野以看清更多细节

辣椒是有价值的农作物，种子质量直接影响产量和收益。传统检测方法，如目视检查、浸水浮选或化学染色，既需技能又费时，且结果可能不一致。高端扫描仪和高光谱相机能做得更好，但价格昂贵，难以在普通育种场或农场推广。作者改用宏观摄影——许多智能手机现在提供的同类特写模式。这样的拍摄使每粒种子占据图像的大部分区域，呈现出如细小裂缝、皱纹或早期霉变等肉眼和普通照片难以捕捉的表面细节。

构建辣椒种子的细节图谱

研究团队构建了一个包含 3840 张商业辣椒品种宏观图像的专用数据集。每粒种子在受控光照下用手机的微距模式放在深色背景上拍摄。随后对这些种子进行了为期 14 天的标准发芽试验，以便将每张图像标注为“已发芽”或“未发芽”。由于天然不发芽的种子相对稀少，研究者通过有意损伤部分种子或使其暴露于常见菌类来补充未发芽样本。他们还去除了照片背景并紧密裁剪每粒种子，以便模型关注种子表面而非周围干扰。

为受限环境设计的紧凑模型

为将这些图像转换为可靠判断，作者设计了一个名为 GroupCeptionNet 的轻量级神经网络。它借鉴了两种流行深度学习结构的思想：将计算拆分为组以减少运算量，以及同时在多个尺度上提取图像特征。分阶段堆叠的设计使模型能够从微小细节逐步过渡到对整粒种子的总体感知，同时保持参数总量极小。提取特征后，网络将其汇总为单一表征并输出二选一的判断：可能发芽或不太可能发芽。

测试速度、准确性和图像质量

研究者将 GroupCeptionNet 与多种知名图像模型进行了比较，包括大规模网络和基于变换器的系统。尽管模型参数仅约 140 万，其准确率约为 94.7%，F1 分数几乎相同，超越或匹配了那些使用更多内存和计算资源的大型竞争模型。去除图像背景普遍提高了所有模型的表现，证明了清洁、以种子为中心的图像有利于判别。团队还模拟了较低分辨率拍摄的情况，例如普通智能手机或远距离拍摄，发现性能显著下降，表明宏观图像确实提供了关键的精细线索。

聚焦人类关注的区域

为检验模型是否关注有意义的区域，作者可视化了每张种子图像中对决策影响最大的部分。对健康种子，GroupCeptionNet 往往覆盖整个光滑表面；对劣质种子，则集中在腐烂、霉斑、裂纹或变色处。这些注意力图与人类专家事先标注的区域高度一致，且比许多对手模型更稳定。对网络变体的额外测试证实，将分组操作与多尺度特征提取结合是实现精度与低资源消耗平衡的关键。

对农户的意义

通俗地说，这项工作表明廉价的特写摄影配合小型、精心设计的 AI 模型，能够在受限硬件上以近似大型系统的效果分拣辣椒种子。这使得在种子输送线上部署紧凑设备、实时自动将强壮种子与弱种子分离成为现实可行的想法。尽管本研究聚焦于一种辣椒品种，但相同方法可适配其他作物，有助于在不依赖昂贵实验室设备的情况下提高产量并减少浪费。

引用: Ao, C., Xu, T. GroupCeptionNet: a lightweight model for classifying chili seed germination with macro images. Sci Rep 16, 15619 (2026). https://doi.org/10.1038/s41598-026-46875-2

关键词: 辣椒种子发芽, 宏观成像, 轻量神经网络, 种子质量, 智能农业