基于YOLO的党参根智能分选与蒸制优化：图像聚类与CFD模拟协同提升热加工品质

本文创新性地将YOLOv12目标检测、K-means聚类与计算流体动力学（CFD）模拟相结合，构建了一套针对不规则形态党参（Codonopsis lanceolata）根的热加工优化系统。该方案通过高精度图像识别（IoU达0.999/0.953）实现根径自动分型，显著降低内部裂纹率（47.36%→32.87%），并利用CFD精准定位冷点，使小尺寸根茎热平衡时间缩短至45.78-51.22分钟，为不规则农产品智能加工提供了跨学科技术范式。

　　

亮点

• •
  YOLOv12模型在规则排列和遮挡条件下均实现超高检测精度（IoU：0.999/0.953）
• •
  基于形态特征的K-means聚类将党参根分为三类（长度152.67±29.87至297.64±31.34 mm）
• •
  分类型根部内部裂纹率显著降低（类别2：32.87±2.45% vs 未分类：47.36±2.59%）
• •
  100°C蒸制40分钟确保微生物安全，小尺寸根热平衡加速30%（45.78-51.22分钟）
• •
  CFD模拟精准预测不规则形状下的冷点行为与热传递效率

结论

本研究通过融合YOLO图像分析、K-means聚类与CFD模拟，构建了党参根蒸制优化系统。尺寸分类显著提升了热加工均匀性，小尺寸根部因更高效的热传递而快速达到热平衡，同时有效抑制了内部裂纹生成与总溶解固体（TDS）的异常波动。该智能分选策略为不规则农产品的精准热加工提供了重要技术支撑。