团队近期成果--面向农业应用综合评估的多任务学习框架

我们团队在《Information Sciences》(IF: 6.8，中科院二区)上发表论文“A multi-task learning framework for integrated assessment in agricultural applications”。该论文上海大学计算机工程与科学学院为第一单位。

水果和蔬菜的自动化评估是智慧农业、质量控制和供应链管理中的重要任务。传统人工称重和目视检查存在耗时、劳动成本高、主观性强等问题，现有自动化方法也多针对单一任务，难以在同一框架下完成多属性综合评估。此外果蔬多属性标注的数据集也较少。为了解决这一问题，本文提出了一种面向农业应用的多任务深度学习框架，能够从单张RGB图像中同时完成重量预测、关键表型特征分析和品质等级分类。

具体而言，本文构建了水果和蔬菜综合评估数据集FruVegSet（FVS），包含黄瓜和香蕉两类农产品，并提供图像、重量、关键表型特征和品质等级等多属性标注。在模型设计上，本文采用基于ResNet18的预分类模块识别农产品类别，并将输入图像路由至对应的类别专属子网络；随后通过重量分支和关键表型分支分别提取任务相关特征，引入特征金字塔网络增强形态特征表达，结合大核注意力融合模块和交叉注意力机制实现任务间信息交互，最终同时预测重量、关键表型特征分析和品质等级分类，完成综合评估。实验结果表明，所提出框架在黄瓜和香蕉数据上均取得了良好的综合评估效果，并优于单任务模型及代表性农业品质分类模型。

论文链接：A multi-task learning framework for integrated assessment in agricultural applications

葛嘉浩