基于多镜反射成像与TPFM-SDPF-YOLO模型的玉米籽粒全视角仓储质量检测方法研究

为解决玉米籽粒仓储前霉变与机械损伤难以全面检测的行业难题，研究人员创新性融合多镜反射成像系统与改进的TPFM-SDPF-YOLO深度学习模型，开发出全视角检测方法。该系统单次拍摄即可获取籽粒360°表面信息，结合模型特有的三重路径融合机制(TPFM)和对称双路径流融合(SDPF)模块，实现mAP@0.5达98.31%的精准识别，为粮食仓储智能化提供关键技术支撑。

　　

玉米作为全球最重要的粮食作物之一，其产后仓储环节的质量控制直接关系到食品安全与经济效益。然而，传统检测方法面临两大痛点：单视角成像系统存在检测盲区，难以捕捉籽粒全表面缺陷；现有深度学习模型对霉变初期特征、微小机械损伤等细微差异的识别能力不足。这些问题导致仓储前质量筛查效率低下，每年造成巨额经济损失。

针对这些技术瓶颈，东北农业大学（Key Laboratory of High Efficient Seeding and Harvesting Equipment, Ministry of Agriculture and Rural Affairs）的研究团队在《Journal of Stored Products Research》发表创新成果。他们设计了一套革命性的多镜反射成像系统，通过光学反射原理实现单次拍摄获取籽粒全视角图像，从根本上解决了传统方法的"局部视野困境"。更引人注目的是，团队基于YOLOv11n框架开发了TPFM-SDPF-YOLO模型，其独创的三重路径融合机制(TPFM)通过并行卷积路径协同提取全局形态特征与局部纹理细节，而对称双路径流融合(SDPF)模块则采用高分辨率特征保留策略，有效防止微小缺陷特征在神经网络传播过程中的信息丢失。

关键技术方法包括：1) 搭建包含分离单元、多镜反射成像单元和收集箱的硬件系统；2) 构建包含健康/霉变/损伤籽粒的标注数据集；3) 在YOLOv11n骨干网络中嵌入TPFM模块增强多尺度特征提取；4) 在颈部网络引入SDPF模块优化特征融合；5) 采用粒子级识别准确率(PRA)评估模型泛化能力。

【总体结构】
成像系统通过特殊几何排列的反射镜组，将籽粒顶面、侧面和底面同时映射到单张图像，较传统方法效率提升6倍。

【消融实验】
模块贡献度测试显示，单独添加TPFM使mAP@0.5提升2.17%，而TPFM+SDPF联合使用带来4.83%的显著增益，证实双模块的协同效应。

【对比实验】
与Faster R-CNN、YOLOv5/YOLOv8等主流模型相比，本方法在F1-score(96.34%)和召回率(96.52%)上均表现最优，尤其对<3mm微小缺陷的识别准确率提升达11.2%。

这项研究的突破性在于首次实现了仓储前玉米籽粒的"无死角"检测，其成像系统设计巧妙规避了传统设备复杂的机械旋转结构。TPFM-SDPF-YOLO模型通过仿生视觉机制模拟人眼多焦点观察特性，对霉变菌丝分布模式、裂纹走向等细微特征具有独特敏感性。实际应用中，该方法每小时可处理5,000粒以上的检测通量，且对不同品种(硬粒型、马齿型等)的PRA稳定在95%以上，为粮食收储企业提供了可靠的自动化分级解决方案。该技术框架可扩展应用于小麦、水稻等主要农产品的品质检测，对推动精准农业和粮食安全具有重要战略意义。