基于YOLO-seg与太赫兹成像技术的小麦杂质无损检测方法研究

为解决小麦收获运输过程中杂质检测效率低、准确性差的问题，研究人员开发了基于YOLOv9改进的YOLO-seg模型，结合太赫兹(THz)成像技术，实现了95.4% mAP50和72.8% mAP50:95的杂质分割精度，为粮食质量控制提供了高效无损检测新方案。

　　

小麦作为人类主要粮食作物，其加工过程中混杂的麦壳、秸秆、石块等杂质不仅影响品质，更可能引发食品安全隐患。 传统检测方法如人工筛选效率低下，声波检测难以区分相似密度杂质，X射线则存在样本损伤风险。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，将具有强穿透性和高分辨率的太赫兹(THz)成像技术与深度学习相结合，在《LWT》发表了一项突破性研究。

研究人员首先自主搭建THz时域光谱成像系统（QT-TO1000），在22°C、湿度<50%的受控环境下，采集了包含麦壳、玻璃碎片等8类杂质的1504张THz图像，通过数据增强构建含5631个标注目标的数据库。针对杂质粘连、边界模糊等难题，团队创新性地改造YOLOv9架构：将RepNCSPELAN4模块中的普通卷积替换为空间-通道重建卷积(SCConv)，通过SRU和CRU单元减少冗余特征计算；在骨干网络与颈部网络间嵌入3个坐标注意力(CA)模块，利用坐标编码强化位置敏感度；新增Segment-L大型分割头，提升大尺寸杂质的分割精细度。

多尺度特征融合实现精准定位
通过SC-RepNCSPELAN4模块的级联设计，模型在保持11.8GFLOPs计算量的同时，对石块与土块等相似杂质的区分能力显著提升。CA模块使mAP₅₀提高3%，其双向池化操作有效捕获了玻璃碎片等透明杂质的边缘特征。

跨模型对比验证优越性
在相同实验条件下，YOLO-seg以95.4% mAP₅₀和91.4% F1-score全面超越Mask R-CNN（91.0%）、YOLOv5s（92.0%）等模型。特别在密集粘连场景中，对麦粒团块的误判率较YOLOv9s降低67%，石块识别准确率提升至93.3%。

实时性与泛化能力平衡
尽管引入Segment-L使参数量增加0.614M，但39.2 FPS的推理速度仍满足实时检测需求。消融实验显示，SCConv+CA组合使mAP_50:95达到72.8%，较基线提升1.4%，且显著优于GhostConv等轻量化方案。

这项研究首次将PGI（可编程梯度信息）框架应用于粮食检测领域，建立的THz-YOLO-seg体系为农产品质量控制提供了新范式。未来通过设备微型化和模型蒸馏优化，该技术可扩展至玉米、水稻等多作物检测场景，推动智能农业质检技术革新。论文中披露的THz图像数据库（含3008张增强图像）为后续研究提供了重要基准数据集。