分享自:

基于YOLOv5的玉米种子表面缺陷检测研究

期刊:journal of stored products researchDOI:10.1016/j.jspr.2023.102242

这篇文档属于类型a,即报告了一项原创性研究。以下是对该研究的学术报告:

1. 主要作者、研究机构及发表信息

该研究由Yu Xia、Tianci Che、Jingwu Meng、Jinghao Hu、Gengle Qiao、Wenbo Liu、Jie Kang和Wei Tang共同完成,研究机构为陕西科技大学电气与控制工程学院。研究发表于《Journal of Stored Products Research》第105卷,2024年,文章编号为102242,于2024年1月4日在线发布。

2. 学术背景

该研究的主要科学领域为农业科学与计算机视觉的结合,特别是深度学习在玉米种子表面缺陷检测中的应用。玉米作为全球三大粮食作物之一,其种子质量对农业生产至关重要。传统的玉米种子外观质量检测主要依赖人工目视检查,存在效率低、主观性强等问题。尽管计算机视觉技术已相对成熟,但仍需手动提取特征,限制了其应用。近年来,机器学习特别是深度学习技术迅速发展,能够有效替代传统检测方法,减少人工干预并降低成本。因此,本研究旨在通过深度学习框架YOLOv5,提出一种基于计算机视觉的玉米种子表面缺陷检测方法,为种子分级和种植提供理论支持和技术基础。

3. 研究流程

研究流程包括以下几个主要步骤:

3.1 图像采集与预处理

首先,研究团队建立了玉米种子批次表面缺陷检测系统,用于获取玉米种子图像。图像采集系统包括一台8兆像素的数码相机(Sony DSC-H10)和LED光源,相机固定在距离检测平台500毫米的位置,确保稳定获取图像。检测平台上有121个凹槽,用于放置玉米种子。每批次扫描121颗玉米种子,图像通过USB数据线传输到PC进行分析。

图像预处理包括灰度处理、二值化处理、中值滤波、阈值分割和形态学处理等步骤,以消除背景和光照噪声干扰。研究使用OpenCV库进行图像处理,通过滤波、分割和增强技术显著减少图像噪声,分离目标与背景,并替换背景。

3.2 深度学习模型构建与优化

研究基于YOLOv5框架,提出了ECA改进的YOLOv5s-MobileNet模型。具体步骤如下: 1. YOLOv5s模型:YOLOv5s是YOLOv5系列中的轻量级版本,采用CSP(Cross Stage Partial)架构,适用于实时目标检测任务。 2. MobileNetV3替换骨干网络:为提高模型效率,研究使用MobileNetV3-small替换YOLOv5s的骨干网络,显著减少参数数量。 3. Ghost模块引入:在YOLOv5s-MobileNet的颈部网络中引入Ghost模块,进一步压缩模型参数。 4. ECA模块引入:在颈部网络中引入ECA(Efficient Channel Attention)模块,提升模型的特征学习能力。

3.3 模型训练与评估

研究使用AMD R9-7940H CPU和NVIDIA RTX-4060 GPU进行模型训练,软件环境为Windows 11,深度学习框架为PyTorch 1.9和CUDA 11.1。模型训练采用SGD(随机梯度下降)优化算法,批量大小为4,学习率为0.01。训练过程包括500个epoch。

3.4 数据增强与标注

为增加数据多样性,研究对图像进行了裁剪、旋转和翻转等数据增强操作。使用LabelImg工具对图像进行标注,标注文件采用类似ImageNet的格式,每行数据包含目标类别、中心点坐标及宽度和高度信息。

4. 主要结果

研究的主要结果如下: 1. 模型性能:ECA改进的YOLOv5s-MobileNet模型在玉米种子表面缺陷检测中表现出色,精确率(precision)达到92.8%,召回率(recall)为98.9%,mAP0.5(平均精度)为95.5%,模型大小为8.8 MB。 2. 模型对比:与YOLOv5s、YOLOv5s-SE和YOLOv5s-C2f-SE模型相比,ECA改进的YOLOv5s-MobileNet模型在精确率和mAP0.5上均有显著提升,且模型大小更小,适合在资源有限的设备上部署。 3. 图像处理效果:通过图像预处理和增强,研究成功减少了图像噪声,显著提高了玉米种子图像的对比度和清晰度,为后续深度学习模型训练提供了高质量数据。

5. 结论

研究提出了一种基于深度学习的玉米种子表面缺陷检测方法,通过ECA改进的YOLOv5s-MobileNet模型,显著提高了检测效率和准确性。该模型在精确率、召回率和mAP0.5等指标上均表现出色,且模型大小较小,适合在便携设备上部署。研究为玉米种子质量检测提供了新的技术手段,具有重要的科学价值和应用前景。

6. 研究亮点

  1. 创新性模型:研究提出了ECA改进的YOLOv5s-MobileNet模型,结合了MobileNetV3的轻量级设计和ECA模块的注意力机制,显著提升了模型性能。
  2. 高效图像处理:通过一系列图像预处理和增强技术,研究成功提高了玉米种子图像的质量,为深度学习模型训练提供了高质量数据。
  3. 实际应用价值:该模型在玉米种子表面缺陷检测中表现出色,能够有效替代传统检测方法,减少人工干预并降低成本,具有广泛的应用前景。

7. 其他有价值的内容

研究还详细探讨了深度学习在农业领域的应用潜力,特别是在作物检测和病虫害识别方面的前景。通过结合计算机视觉和深度学习技术,研究为农业生产的现代化和智能化提供了新的思路。

该研究通过深度学习技术成功实现了玉米种子表面缺陷的高效检测,为农业科学和计算机视觉的结合提供了新的研究方向和应用范例。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com