基于YOLOv8n-Seg-ASB与随机森林的辣椒收获杂质率检测：一种深度学习与机器学习的融合方法

为解决辣椒机械化收获中杂质率检测精度低、效率差的问题，研究人员开发了基于YOLOv8n-Seg-ASB实例分割模型与随机森林(RF)的智能检测系统。通过集成AKConv变形卷积、Slim-Neck轻量化结构和B-SEResNeXt多尺度检测头，实现了mAP@0.5提升14.3%、参数量减少17.35%的优异性能，结合Seg-PCA特征提取技术，最终杂质率检测平均误差仅6.14%，为农业智能化提供了创新解决方案。

　　

辣椒作为重要的经济作物，其机械化采收过程中的杂质率直接影响产品品质和市场竞争力。然而，复杂物料成分和多变作业环境导致传统检测方法存在准确性不足、效率低下等瓶颈问题。现有在线检测技术难以应对形态各异的杂质（如茎秆、果柄、叶片）与辣椒果实间的复杂交互，且缺乏实时高效的量化手段。这种技术短板严重制约了智能收获装备的研发进程，亟需开发新型检测方案。

石河子大学的研究团队创新性地将深度学习与机器学习技术相融合，构建了一套完整的杂质率检测系统。研究成果发表在《Smart Agricultural Technology》期刊，该系统通过定制化图像采集装置获取高质量辣椒物料图像，采用改进的YOLOv8n-Seg-ASB模型实现实例分割，结合Seg-PCA（分段主成分分析）提取形态特征，最终利用随机森林(Random Forest, RF)算法建立预测模型，在保持82.2 FPS实时性能的同时，将杂质率检测误差控制在6.14%以内。

研究团队采用了三项关键技术方法：首先设计包含自适应光源和D435i相机的图像采集系统，确保复杂工况下的成像质量；其次开发YOLOv8n-Seg-ASB模型，在Backbone层引入AKConv（自适应核卷积）增强特征提取能力，Neck层采用GSConv（组混洗卷积）构建Slim-Neck轻量化结构，Head层集成B-SEResNeXt（瓶颈注意力模块）提升多尺度检测性能；最后通过Seg-PCA算法精确提取掩膜轮廓的拟合长宽特征，结合RF模型实现杂质率预测。

图像采集与数据集构建方面，研究团队设计了包含传送装置、自适应感应光源和高分辨率成像模块的专用设备，采集了800张西北朝天椒图像，通过SMOTE（合成少数类过采样）算法处理类别不平衡问题，最终构建包含1500个增强样本的数据集。实验材料严格遵循GB/T 30382-2013《干辣椒》标准，将除果实外的所有组分归类为杂质。

模型架构改进方面，YOLOv8n-Seg-ASB展现出显著优势：在Backbone网络中用AKConv替代传统卷积，其动态调整采样位置的特性使mAP@0.5提升至92.1%；Neck网络采用GSConv和VoV-GSCSP模块，在减少17.35%参数量的同时保持高精度；检测头引入B-SEResNeXt结构，通过通道注意力机制有效区分形态相似的杂质。相比原模型，改进后的综合分割性能提升14.3%，推理速度达82.2 FPS。

特征提取与预测模型部分，Seg-PCA方法将长轴测量误差从传统PCA的8.5%降至3.6%。RF模型融合像素面积、拟合尺寸等特征，对辣椒、叶片、茎秆和果柄四类目标的重量预测MAPE分别为4.692%、3.765%、8.233%和7.382%，整体杂质率预测平均误差6.14%，单次检测耗时仅1.43秒。

系统级测试表明，在100批次含5%-15%杂质的辣椒混合物检测中，该系统与人工称重结果的相对误差均值保持在6.14%水平，验证了其实际应用可靠性。研究同时指出当前模型在嵌入式平台部署和罕见杂质识别方面的局限性，为后续研究指明了方向。

这项研究的重要意义在于：首次将YOLOv8-Seg架构创新性地应用于农产品杂质检测领域，通过多模块协同优化解决了农业场景中的特殊挑战；提出的Seg-PCA方法为不规则农作物形态测量提供了新思路；构建的轻量化系统实现了准确性与实时性的最佳平衡，为智能农机装备研发提供了核心技术支撑。该技术框架具有可扩展性，其方法论可推广至其他作物的品质检测场景，推动农业生产向数字化、智能化方向迈进。