基于深度学习和机械单层采样的自动化大豆品质检测系统：改进scSE-UNet模型实现高精度实时杂质与破碎率分析

为解决大豆联合收割机作业中杂质率与破碎率实时监测的技术难题，研究人员开发了一种集成机械采样与改进scSE-UNet模型的检测系统。该系统通过VGG16编码器与scSE-block+模块增强特征提取能力，结合Dice-Focal混合损失函数缓解类别不平衡问题，实现了全籽粒（97.8%）、破碎粒（97.2%）和杂质（96.3%）的高精度分割，检测准确率达89.8%（杂质率）和88.2%（破碎率），为智能收割机优化提供了可靠的技术支撑。

　　

大豆作为重要的粮油作物，其收获质量直接影响经济效益。在机械化收割过程中，籽粒的杂质率和破碎率是评价联合收割机性能的核心指标，但受气候条件、操作参数和作物含水量等多因素影响，传统人工调节方式效率低且依赖经验，容易导致质量波动。随着机器视觉和人工智能技术的发展，图像处理技术已在农业工程领域广泛应用，如果实定位、路径提取和病虫害识别等。然而，针对大豆破碎和杂质含量的检测研究相对缺乏，现有方法对种子空间重叠的适应性差，易出现漏检和误识别，主要存在两个技术瓶颈：传统采集方式导致种子分布不均，以及算法对重叠特征的分辨能力不足。

为此，研究人员在《Smart Agricultural Technology》上发表了一项研究，开发了一种集成检测系统，结合机械单层采样和改进的scSE-UNet模型，以应对这一挑战。该系统通过设计外槽轮铺料采样装置，优化种子空间分布，并增强特征提取能力，从而提高了复杂场景下的检测精度，为机械化大豆收获的实时质量控制提供了新的解决方案。

研究团队采用了几个关键技术方法：首先，开发了一套专用的成像设备，通过受控单层沉积和均匀照明条件捕获标准化大豆籽粒图像；其次，构建了一个包含522张大豆图像的数据集，并通过数据增强技术扩展至3132张图像，使用LabelMe软件进行手动边界标注；第三，改进了U-Net架构，集成VGG16编码器进行多尺度特征提取，并在解码器跳跃连接处加入scSE-block+模块，以增强判别性空间-通道特征；第四，采用Dice-Focal混合损失函数缓解由籽粒粘连和复杂背景引起的类别不平衡；最后，通过实验验证了模型性能，并进行了台架和田间试验，以评估系统的实际应用效果。

2.1. 实验数据集构建

研究人员使用三种机收大豆品种（'Qihuang 34'、'Zhonghuang 13'和当地慈利大豆）作为实验材料，开发了一套杂质率和破碎率检测装置，包括机械采样单元和图像处理系统。机械采样装置由收集漏斗、内槽轮、清洁刷、步进电机和支撑底座组成，确保种子单层分布。图像处理系统包括传送带、LED照明阵列和工业相机，相机镜头置于传送带表面200毫米上方，以减少外部光源干扰。通过工业相机（Jereh DF200-1080P）连续实时采集图像，并利用基于UNet架构的分割分类系统计算杂质和破碎率。

2.2. 基于改进UNet的大豆收获质量分割方法

研究提出了一种改进的scSE-UNet语义分割模型，该模型采用编码器-解码器框架，编码器使用VGG16的前13个卷积层，利用ImageNet预训练权重进行迁移学习，以保留泛化能力并避免过拟合风险。解码器部分在每个跳跃连接层末端添加scSE-block+模块，该模块结合了通道SE-block（cSE-block）和空间SE-block（sSE-block），自动学习图像的空间和特征通道信息，抑制冗余无用特征，更好地保留图像边缘信息。此外，采用Dice-Focal混合损失函数（L_total = λ·L_dice + β·L_focal）来缓解类别不平衡问题，其中λ和β的超参数比例为1:9，以实现最佳综合检测性能。

2.3. 模型评估指标

研究选用F1分数和平均交并比（mIoU）作为评估指标，以全面评价改进UNet模型的分割性能。F1分数强调检测少数类别（如杂质和破损籽粒）的精确率和召回率平衡，而mIoU量化所有语义类别的空间重叠一致性。通过精确率（P）、召回率（R）、F1分数和mIoU的计算公式，对模型进行定量评估。

2.4. scSE-UNet网络模型的预测效果及不同模型效果比较

通过与UNet、DeepLabv3+（MobileNet）、DeepLabv3+（Xception）、PSPNet和HRNet等六种语义分割架构的比较实验，scSE-UNet模型在大豆分割任务中表现最优，实现了97.8%的全籽粒F1分数、96.8%的破碎籽粒F1分数和96.3%的杂质F1分数，mIoU达到93.9%。此外，该模型单图像处理延迟为0.153秒，满足实时检测要求。可视化比较显示，scSE-UNet在边界 delineation 和定位精度方面表现 superior，尽管在高密度种子簇或杂质遮挡目标时仍存在 residual errors，但出现频率显著低于其他模型。

2.5. 消融研究

通过消融研究定量评估了每个关键组件的贡献。基线模型（U-Net + VGG16）的mIoU为91.2%，F1分数为95.4%，像素精度（PA）为94.0%。加入scSE-block+模块后，mIoU提高至92.3%，F1分数至96.0%，PA至96.0%；单独应用混合损失函数时，mIoU升至92.9%，F1分数至96.5%，PA至95.2%。最终，完整模型（结合scSE-block+和混合损失）实现了93.9%的mIoU、97.0%的F1分数和97.0%的PA，验证了各组件的互补作用。

3. 验证实验

3.1. 大豆籽粒杂质率和破碎率的定量建模

通过图像处理和像素面积测量，模型计算杂质和破碎率。研究建立了像素面积与物理质量之间的函数关系，并考虑了收获过程中大豆水分变化的影响。通过实验校准，在受控条件下确定了全籽粒、破损碎片和杂质类别的像素面积关系，并引入了水分含量系数（h）进行校正。杂质质量（m_i）、破碎籽粒质量（m_b）和全籽粒质量（m_w）的计算公式分别为m_i = s_i × a + C1、m_b = s_b × b + C2和m_w = s_w × c + C3，其中s_i、s_b和s_w分别为杂质、破碎籽粒和全籽粒的像素面积，a、b、c和C1、C2、C3为对应关系系数。

3.2. 台架测试与分析

通过模拟实验比较算法结果与人工检测，验证了大豆籽粒检测模型。台架测试中，系统对杂质率检测的平均相对误差为4.68%，破碎率检测为6.24%。计算并发性通过处理离散检测周期内的所有籽粒和杂质进行优化，PyTorch控制框架同步相机采集间隔（0.15秒）与传送带速度，平均周期检测时间为1.5秒，满足工业性能要求。

3.3. 田间收获实验

3.3.1. 实验材料与地点

实验在湖南省长沙市浏阳市大豆试验田进行，使用品种为Qihuang 34，水分含量14%，于2025年7月10日使用4LZ-1.6型大豆联合收割机进行。检测系统安装在收割机出粮口下方，连接移动电源进行校准。

3.3.2. 田间实验步骤

实验进行三次重复试验，每次作业长度100米，作业速度5公里/小时。每次作业中，系统进行10次大豆种子检测，取平均值作为最终预测结果。完成后，从粮仓中随机均匀选取三个样品，人工计算杂质率和破碎率。

3.3.3. 田间试验结果与分析

田间试验中，模型对杂质含量和破碎率的预测相对误差较台架试验有所改善，杂质率最大相对误差为13.6%，最小为8.1%；破碎率最大为12.4%，最小为10.9%。分析表明，田间环境图像背景亮度较低，影响了籽粒边缘识别精度，但整体相对误差保持在15%以内，证明系统可在联合收割机作业环境中进行实时监测。

4. 结论

本研究开发的scSE-UNet模型结合VGG16网络架构和集成到解码器跳跃连接中的scSE-block+模块，利用混合Dice-Focal损失函数有效解决了类别不平衡问题。实验结果显示，该模型在全籽粒、破损籽粒和杂质的分割上表现出色，F1分数分别为97.8%、96.8%和96.3%，mIoU达到93.9%，且单图像处理时间仅0.153秒，满足机械化收获作业的实时检测需求。通过实验验证的增强计算模型建立了像素面积、质量和水分含量之间的相关性，台架测试中杂质率和破碎率检测的平均相对误差分别为4.68%和6.24%，田间试验中分别为10.2%和11.7%。结果表明，该系统可同时检测杂质率和破碎率，且检测精度高。

该系统解决了机械化大豆收获过程中杂质率和破碎率实时监测的难题，为即时调整联合操作参数（如滚筒速度和筛清间隙）提供了技术基础，有助于最小化由杂质积累或过度种子损伤造成的经济损失。此外，通过替换训练数据集为其他作物（如水稻、小麦和玉米）数据，该框架可适用于多种谷物类型的收获质量评估，展示了其 versatility。然而，本研究未系统评估实时检测系统在不同喂入率下的性能，这 represent 了一个限制，后续工作将在此方面进行针对性实验和深入分析。