基于机器视觉的稻谷杂质快速检测系统

《JOURNAL OF FOOD PROCESSING AND PRESERVATION》：Rapid Detection System of Paddy Impurities Based on Machine Vision

稻谷质量检测系统基于机器视觉，包含图像采集与分类子系统，采用多自由度机械臂、振动盘及工业相机实现高分辨率成像，结合GhostNet网络和视觉注意力机制提升杂质分类准确率至93.44%。

　　本研究聚焦于当前稻谷质量检测系统在成像效果和杂质分类精度方面的不足，提出了一种基于机器视觉的快速稻谷杂质检测系统。该系统由图像采集子系统和杂质分类子系统组成，旨在实现对稻谷质量的高效、精准评估。图像采集子系统通过多自由度机械臂、柔性振动盘、工业相机、光源以及嵌入式计算平台等设备，实现了高质量的稻谷图像采集。同时，该系统采用多传感器融合技术，以实现对目标稻谷的二维成像。杂质分类子系统则创新性地引入了基于卷积神经网络（CNN）的特征提取方法，实现了稻谷杂质图像的快速准确分类。为了在分类精度和计算复杂度之间取得平衡，系统采用GhostNet作为主干网络，以高效地进行高维语义特征提取。此外，系统还引入了视觉注意力机制和多尺度特征聚合策略，以增强提取的图像特征，并进一步提升了杂质分类的准确性。

图像采集子系统总共收集了256张原始图像，每张图像的分辨率均为5120 × 5120。在图像预处理阶段，系统进一步将这些图像分割为5000个稻谷图像块，每个图像块具有不同的分辨率。这些图像块包括病害稻谷、霉变稻谷、发芽稻谷、未成熟稻谷以及正常稻谷等类型。经过训练的杂质分类模型在测试中取得了83.64%的精确率、83.60%的召回率、83.54%的F1分数以及93.44%的准确率。这些结果不仅表明了系统在实际应用中的高效性和准确性，也为未来更广泛的农业检测领域的研究与应用提供了重要的参考价值。

稻谷作为中国农业的重要组成部分，其产量约占全国粮食总产量的31%，在全球粮食生产中也占据重要地位。稻谷是全球超过30%人口的主要能量来源，在世界农业经济中具有举足轻重的作用。其种植和贸易为许多国家的农民提供了重要的收入来源，对农村经济的发展具有深远影响。在稻谷储存过程中，如果温度或湿度控制不当，容易引发霉变。霉菌产生的次级代谢产物——霉毒素，不仅可能引发多种人体疾病，还会影响稻谷的食用价值。如果在雨季储存时稻谷受潮，还可能发芽，从而影响其品质。因此，有必要通过快速准确的识别手段及时发现异常状况，并采取相应措施，以确保稻谷在储存过程中的品质和安全，从而提升储备能力，满足人类需求。

稻谷杂质含量反映了稻谷中混杂的劣质稻谷和杂质的比例。这些杂质会直接影响稻谷的品质，影响其口感、外观和色泽等关键指标。杂质含量较高的稻谷在质量检测和认证过程中往往难以达标，也容易被市场忽视，从而削弱中国稻谷在国际市场上的竞争力。目前，稻谷杂质含量的检测方法主要包括人工检测和基于电子鼻技术的检测方法。人工检测虽然直观，但需要大量时间和经验，难以满足实际生产中对高效检测的需求。此外，人工检测还可能因视觉局限而忽略隐藏杂质，导致检测结果不准确，影响稻谷的生产质量。基于电子鼻技术的检测方法虽然可以通过气味初步评估稻谷的品种和质量，但在复杂环境中仍存在局限，难以准确识别稻谷的杂质率。

因此，如何设计一个具备优良成像效果的信息采集系统，以便及时监控稻谷状况，并采用先进的图像对象识别算法，如深度学习，对采集到的稻谷图像进行准确分类和检测，对于提高稻谷种植效率、保障粮食安全以及推动农村经济的可持续发展具有重要意义。深度学习算法，特别是卷积神经网络（CNNs），能够通过学习大量稻谷图像的特征，准确、稳健且快速地对稻谷杂质进行分类。然而，通过分析稻谷图像和基于深度学习的算法，我们仍发现当前稻谷杂质分类方法存在一些不足：（1）使用开源数据集训练的网络可能在特征提取过程中丢失稻谷的关键信息；（2）算法的计算量较大，难以移植到终端设备，实现实时检测。

为了解决当前稻谷杂质自动检测方法中存在的问题，我们设计了一种基于机器视觉的快速检测系统。该系统包括图像采集子系统和图像分类子系统，分别负责稻谷图像的高质量采集和杂质的精准分类。实验结果表明，该系统在稻谷杂质检测方面表现出高效的性能和较高的准确率。总体而言，本文的主要贡献包括以下几个方面：

首先，我们设计了一个简单的稻谷图像采集子系统，该子系统配备了多种传感器，能够高效地对稻谷样本进行定位，并通过多个传感器的协作完成图像采集。该子系统能够有效应对稻谷分布不均所带来的遮挡等问题，提高图像采集的智能化水平。其次，我们提出了一种轻量级且高效的分类网络模型，用于快速识别稻谷杂质。该网络模型结合了轻量级的特征提取与分类技术，能够降低计算负担，提高分类效率。最后，我们构建了一个多类别稻谷数据集，并利用开源分割模型将原始高分辨率图像分割为独立的图像块。在硬件条件受限的情况下，这种方法能够有效提升图像处理的灵活性和实用性。

在当前的稻谷杂质检测研究中，许多硬件设备难以获取高清晰度且无遮挡的稻谷图像，而互遮挡的稻谷也会直接影响最终的检测结果。同时，多数现有的稻谷图像检测算法仍依赖于人工标注来进行识别或分割，这通常需要大量的计算资源。因此，我们设计了一种基于机器视觉的快速检测系统，以实现对稻谷图像的高质量采集和杂质的准确识别。该系统在实际应用中展现出良好的性能，能够有效解决现有技术在稻谷杂质检测中的不足。

在本文的结构安排上，我们将方法部分分为两个子系统进行介绍：图像采集子系统和杂质分类子系统。在图像采集子系统中，我们详细描述了多自由度机械臂、柔性振动盘、工业相机、光源以及嵌入式计算平台的协同工作方式，以及这些设备如何在实际检测过程中实现稻谷的均匀分布和高质量图像采集。在杂质分类子系统中，我们介绍了基于卷积神经网络的特征提取方法，并结合GhostNet作为主干网络，实现了高效的高维语义特征提取。此外，我们还引入了视觉注意力机制和多尺度特征聚合策略，以增强图像特征的表达能力，提高杂质分类的准确性。

为了进一步验证系统的性能，我们构建了一个包含多种稻谷类型的数据集，并利用开源分割模型将原始图像分割为独立的图像块。这些图像块涵盖了病害稻谷、霉变稻谷、发芽稻谷、未成熟稻谷和正常稻谷等类型。通过这种方式，我们能够更全面地评估系统在不同类别稻谷上的分类能力。同时，我们还详细介绍了系统的硬件和软件配置，包括使用的设备型号、图像采集流程、图像预处理方法以及模型训练的具体参数。这些信息不仅有助于理解系统的运行机制，也为后续的优化和改进提供了基础。

在模型训练过程中，我们采用了多种优化策略，以确保模型在分类任务中的稳定性与准确性。其中包括图像增强技术、数据平衡策略以及损失函数的优化方法。这些策略能够有效提高模型的泛化能力，使其在面对复杂背景和多样化的稻谷图像时，仍能保持较高的分类性能。同时，我们还对模型的训练过程进行了详细的分析，并展示了其在不同数据集上的分类结果。通过这些结果，我们可以直观地看到系统在实际应用中的效果，以及其相较于传统方法的优势。

为了进一步验证我们提出的方法的有效性，我们将其与现有的基于机器学习的分类方法进行了比较。这些方法包括支持向量机（SVM）、随机森林算法以及K-means聚类等。通过对比实验，我们发现，尽管这些传统方法在某些场景下表现良好，但在面对复杂背景和多样化的稻谷图像时，其分类精度和鲁棒性仍有待提高。相比之下，我们提出的基于GhostNet和视觉注意力机制的分类网络在分类精度和计算效率方面均表现出明显的优势。此外，该网络还具备较强的泛化能力，能够适应不同的稻谷图像质量，提高分类的稳定性。

在实际应用中，图像采集和分类是稻谷质量检测的关键环节。图像采集子系统负责获取高质量的稻谷图像，而杂质分类子系统则通过深度学习算法对这些图像进行分析和分类。为了确保系统的高效运行，我们对图像采集子系统进行了优化设计，使其能够在复杂环境下稳定工作，并获取清晰、无遮挡的稻谷图像。同时，我们对杂质分类子系统进行了深入研究，使其能够快速、准确地识别稻谷中的杂质，并提供可靠的分类结果。

综上所述，本研究提出了一种基于机器视觉的快速稻谷杂质检测系统，该系统通过多传感器融合技术和轻量级深度学习算法，实现了对稻谷图像的高效采集和准确分类。该系统不仅能够有效解决当前稻谷杂质检测中存在的问题，还为未来农业检测技术的发展提供了新的思路和方法。通过本文的研究，我们希望为提升稻谷质量检测的智能化水平，以及推动农业自动化检测技术的应用，做出积极贡献。