BeLFG-Net: A Lightweight Betel Leaf Freshness Grading Network via Hybrid Depthwise Separable Convolutions
Fahim Ur Rahman · Afraz Ul Haque
提出轻量网络BeLFG-Net，实现槟榔叶采后新鲜度三级自动分级。
混合深度可分离卷积编码器+渐进Dropout，766张图像增强至6262张。
测试准确率95.72%，优于ResNet-50和MobileNetV2且参数量大幅减少。
可迁移至其他叶菜/农产品采后分级，并探索边缘设备实时部署与多模态融合。
面向蒌叶采后分级的轻量化深度网络研究，方法新颖、数据与对比实验扎实，对农业边缘部署有参考价值，但属细分作物应用，产业影响有限。
采后槟榔叶（Piper betle L.）品质分级对南亚和东南亚供应链效率至关重要，然而目前评估仍完全依赖人工，易受评估者间不一致和吞吐瓶颈的影响。视觉新鲜度线索——饱和绿色色素、表面干燥和褐色变色——呈连续而非离散变化，使得基于阈值的颜色分析不足以应对。我们提出BeLFG-Net，即槟榔叶新鲜度分级网络（Betel Leaf Freshness Grading Network），通过混合四模块编码器应对这一挑战，该编码器将用于初始特征建立的标准卷积与用于参数高效跨通道混合的深度可分离卷积对相结合，随后采用全局平均池化和紧凑分类头。关键效率提升源于深度可分离分解，它将空间滤波与通道整合解耦，相较于等效标准卷积减少约8–9倍计算量，总参数量仅为979,651。我们进一步引入渐进式dropout调度（p ∈ {0.25, 0.25, 0.25, 0.50}），在瓶颈过渡处施加最强正则化，有效抑制了在766张田间图像数据集（增强至6,262个样本）上的过拟合。在三类新鲜度判别任务——新鲜、中等和不新鲜——中，BeLFG-Net达到95.72%的测试准确率，各类别F1分数分别为0.96、0.96和0.95，优于ResNet-50（93.77%）和MobileNetV2（91.65%），同时参数量分别减少26倍和3.5倍。消融实验证实，混合深度可分离模块设计、渐进式dropout和全局平均池化各自独立促进泛化，相较标准CNN基线合计提升+6.76%。这些结果表明，领域特定的轻量级架构能够在农业边缘部署常见的资源约束下实现高精度采后分类。