基于深度学习的玉米籽粒破损在线检测技术

• Published in: 农业工程学报 Vol. 39; no. 22; pp. 270 - 278
• Main Authors: 耿端阳, 王其欢, 李华彪, 何庆浩, 岳栋, 马洁, 王亚男, 徐海港
• Format: Journal Article
• Language: Chinese
• Published: 山东理工大学农业工程与食品科学学院,淄博 255022%山东时风(集团)有限责任公司,聊城 252899 01.11.2023
• Subjects: broken detection system; deep learning; corn kernel; 分类模型; 深度学习; 玉米籽粒; 破碎检测系统; classification
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202306214

S24; 玉米籽粒破损是制约中国玉米籽粒直收技术推广应用的瓶颈问题,如何快速准确地获取玉米收获过程中籽粒损伤情况是玉米智能化收获的关键.为了解决这一问题,该研究提出一种基于深度学习的玉米籽粒破损检测装置及方法,该方法采用籽粒单层化装置不断获取高质量玉米籽粒集图像数据,并通过深度学习分割、分类两阶段模型实现破损玉米籽粒检测.图像分割阶段通过深度学习经典实例分割模型(Mask R-CNN)完成区域内玉米籽粒单体分割;而图像分类则由该研究基于残差模块提出的新型网络模型(BCK-CNN)实现.为了评价BCK-CNN分类模型的有效性,将其和其他典型深度学习分类模型进行对比测试,并利用可视化的技术评估了不同模型对玉米籽粒的分类性能.结果表明:BCK-CNN模型对完整、破损玉米籽粒的分类准确性分别达到 96.5%、94.2%.另外,选取平均相对误差为评价指标,通过模拟试验对比验证了该检测方法对破损玉米籽粒的检测性能.结果表明:相较于人工计算籽粒破损率,该研究提出的破损玉米籽粒检测方法计算得到的平均相对误差仅 4.02%;且将其部署在移动工控机上对单周期玉米籽粒集图像检测时间可以控制在1.2 s内,研究结果为玉米收获过程中破损籽粒高效精准检测提供参考.