基于太赫兹成像与YOLO-seg深度学习模型的小麦杂质无损检测技术研究

为解决小麦收获运输过程中杂质检测效率低、准确性差及样本损伤等问题，研究人员结合太赫兹(THz)成像技术与改进的YOLOv9模型（YOLO-seg），开发出新型小麦杂质分割模型。该模型在自建数据集上实现mAP50达95.4%、F1-score达91.4%，较原模型提升3-4%，为农业质检提供高效无损解决方案。

　　

在粮食安全与质量控制领域，小麦杂质检测一直是个棘手难题。传统方法如人工筛选效率低下，声波检测难以区分相似杂质，X射线又可能损伤样本。更麻烦的是，小麦与杂质常紧密粘连，边界模糊不清，让机器视觉系统"看花了眼"。面对这些挑战，河南工业大学粮食信息处理与控制教育部重点实验室的研究团队独辟蹊径，将太赫兹成像技术与深度学习相结合，开发出名为YOLO-seg的智能检测系统，相关成果发表在《LWT》期刊上。

这项研究的关键技术包括：采用QT-TO1000太赫兹三维层析成像系统获取样本的时域光谱数据，构建包含8类杂质、5631个标注目标的增强数据集；基于YOLOv9架构改进模型，引入空间通道重建卷积(SCConv)和坐标注意力机制(CA)模块增强特征提取；新增Segment-L分割头提升大尺寸杂质识别精度。

研究结果部分：
2.1 实验设置
采用透射式太赫兹成像系统，扫描步长0.2mm，在30-44ps时间窗内获取高对比度图像，有效避免反射模式下的信号衰减问题。

2.2 样本制备与数据收集
根据国家标准分类收集小麦壳、秸秆、石块等8类杂质，构建1504幅原始图像经增强至3008幅的THz数据集，最大强度成像法凸显杂质特征差异。

3.1 小麦杂质分割模型
改进的YOLO-seg网络包含SC-RepNCSPELAN4模块和6+2个分割头，参数量仅增加0.614M，在保持39.2FPS实时性同时，mAP_50:95提升1.4%。

3.2 SC-RepNCSPELAN4
空间重建单元(SRU)与通道重建单元(CRU)协同工作，减少冗余计算，使模型对粘连杂质的分割精度显著提高。

3.3 坐标注意力
通过分解式全局池化捕获位置敏感特征，使石块与土块误判率降低3.8%，证明坐标编码能有效增强空间特征感知。

4.4.1 多模型对比
在相同数据集上，YOLO-seg以95.4%的mAP₅₀超越Mask R-CNN(91.0%)和YOLOv8s(90.0%)，参数量仅为YOLACT的30%。

4.4.2 改进效果验证
消融实验显示，CA模块使石块识别准确率提升最显著，而Segment-L模块使大尺寸杂质分割边界更清晰，三者组合实现F1-score 91.4%的最佳平衡。

这项研究创新性地将太赫兹物理特性与深度学习相结合，解决了传统检测方法在精度、效率和无损性上的"不可能三角"问题。特别值得注意的是，模型对透明玻璃碎片的识别率达到92.1%，突破了光学成像的局限。尽管当前系统成本较高，但研究团队提出的SCConv轻量化设计为后续设备微型化指明了方向。该技术框架可扩展至玉米、水稻等农产品的质检场景，为构建智能化粮食安全监测体系提供了新范式。