基于YOLO-seg与太赫兹成像技术的小麦杂质高效无损检测方法研究

为解决小麦收获运输过程中杂质检测效率低、准确性差及样本损伤等问题，研究人员基于YOLOv9架构开发了YOLO-seg模型，结合太赫兹(THz)成像技术，实现了小麦杂质的快速无损检测。该模型通过引入SCConv、坐标注意力(CA)和大尺度分割头(Segment-L)模块，将mAP50提升至95.4%，F1-score达91.4%，检测速度达39.2 FPS，为农产品质量控制提供了创新技术方案。

　　

在农业生产中，小麦作为三大主粮之一，其质量安全直接影响国民饮食健康。然而，传统的小麦杂质检测方法面临诸多挑战：人工筛选效率低下且主观性强，声波检测难以区分形状密度相似的杂质，机器视觉易受光照干扰，X射线则可能造成样本损伤。这些方法普遍存在耗时长、精度低、破坏性强的缺陷，严重制约了粮食加工品质的精准控制。

针对这一行业痛点，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(THz)成像技术与深度学习相结合，开创性地提出了小麦杂质检测新范式。太赫兹波凭借其强穿透性、高分辨率和无损检测优势，能清晰呈现小麦与杂质在电磁波谱下的形态差异。研究人员自主构建了包含8类常见杂质（麦壳、麦秆、石块等）的THz图像数据集，通过最大强度成像法在30-44 ps时间窗内获取高对比度图像，为模型训练奠定数据基础。

研究团队基于YOLOv9架构进行深度优化，开发出YOLO-seg模型。该模型通过三大技术创新实现性能突破：首先，在RepNCSPELAN4模块中引入空间通道重建卷积(SCConv)，通过空间重建单元(SRU)和通道重建单元(CRU)的协同作用，减少冗余特征计算；其次，在骨干网络与颈部网络连接处嵌入坐标注意力(CA)模块，利用坐标编码技术增强空间位置感知；最后，新增大尺度分割头(Segment-L)提升对麦秆等大尺寸杂质的细节分割能力。这些改进使模型在保持39.2 FPS实时速度的同时，mAP₅₀达到95.4%，较基准模型提升3个百分点。

关键技术方法包括：采用QT-TO1000太赫兹三维断层成像系统获取样本时域光谱数据；通过数据增强将原始1504幅图像扩充至3008幅；构建包含5631个标注目标的THz图像数据集；基于PyCharm平台开发图像处理算法；使用Labelme进行像素级标注；在NVIDIA RTX 3060显卡上完成模型训练与测试。

研究结果部分显示：

1. 成像优化：THz成像成功克服了玻璃碎片等透明杂质在可见光下的漏检问题，在34 ps时间点能清晰区分麦秆纹理特征。
2. 模型对比：YOLO-seg的mAP_50:95达72.8%，显著优于Mask R-CNN(69.4%)和YOLOv5s(70.7%)，对黏土与石块的误判率降低42%。
3. 消融实验：SC-RepNCSPELAN4模块使F1-score提升2.3%，CA模块将石块识别准确率提高至93.3%，Segment-L使大尺寸杂质分割精度改善3.2%。
4. 实时性能：在保持10.51M参数量级下，推理速度达39.2 FPS，满足生产线实时检测需求。

这项发表于《LWT》的研究具有三重重要意义：技术层面，首次将PGI(可编程梯度信息)概念引入农产品检测领域，解决了深度网络信息丢失难题；应用层面，建立的THz-YOLO-seg系统为小麦分级定价提供了客观量化工具；方法论层面，提出的多尺度特征融合策略可扩展至玉米、水稻等作物检测。研究团队在讨论中指出，当前系统集成度与成本仍是产业化瓶颈，未来将通过太赫兹芯片化设计与模型轻量化(如知识蒸馏)进一步推动技术落地。这项工作为智慧农业检测装备研发提供了新思路，其技术框架已被纳入河南省粮食质量安全监测重点专项。