《Journal of Stored Products Research》:Machine vision-based impurity content assessment of paddy grains for pre-storage quality monitoring
编辑推荐:
Liu Yang|Xinfeng Hu|Can Shu|Jiaming Wang|Nianwu Wei|Tianqing Liu|Qian Liu|Menghao Zhao|Zhiwei Liu|Shaoyun Song中国湖北省武汉市武汉理工大学机械工程学院,邮编430048摘
Liu Yang|Xinfeng Hu|Can Shu|Jiaming Wang|Nianwu Wei|Tianqing Liu|Qian Liu|Menghao Zhao|Zhiwei Liu|Shaoyun Song
中国湖北省武汉市武汉理工大学机械工程学院,邮编430048
摘要
储存前的杂质含量是稻谷储存质量的重要指标。过量的有机杂质会降低稻谷的商业价值,还会影响后续的干燥和加工过程,增加储存期间热量积聚和微生物变质的风险。为提供一种快速且无损的检测方法以替代手工筛分,本研究开发了一种基于机器视觉的稻谷杂质含量定量评估方法。首先,建立了稻谷、茎秆和枝条的像素质量映射模型,其决定系数均高于0.994。因此,依据国家标准称重原理,可将分割后的像素区域转换为杂质的质量百分比。为提升细长且对比度低的杂质的识别精度,研究人员在YOLOv8n-seg的基础上,通过增强多尺度特征提取、感受野表示、特征融合以及边界定位功能,开发出了YOLOv8n-DLMF模型。该模型的掩码精确度为99.3%,召回率为97.2%,mAP@0.5值为98.9%,相比YOLOv8n-seg,精确度和mAP@0.5值分别提升了5.0个百分点和1.3个百分点。实际稻谷样本的验证结果表明,所提方法与手工参考方法的平均相对误差为6.02%。这些数据表明,所提方法为储存前稻谷杂质含量快速评估及储存质量监测提供了有效解决方案。
引言
稻米是全球最重要的主粮作物之一,在粮食安全及粮食储存体系中发挥着关键作用(Mohidem等,2022)。在收割、清理及储存前的处理过程中,稻谷往往会混入茎秆、穗枝等有机杂质。这些杂质会降低稻谷的质量和商业价值,吸收水分,还可能在储存期间导致热量积聚、霉菌生长以及害虫侵扰。此外,它们还会增加干燥、清理和碾磨过程中的设备磨损及能源消耗(Madhukar等,2025;Covele等,2020)。因此,储存前快速准确地评估杂质含量对于保障储存质量及粮食安全至关重要。
传统的杂质检测方法主要依赖手工采样、筛分和称重。尽管这些方法可靠,但效率低下、耗时较长,且易出现主观误差,不适合大规模实时监测。因此,机器视觉成为一种有效的替代方案(El-Mesery等,2019)。早期基于颜色、纹理和形状等手工特征的方法在复杂环境中的稳定性较差(Patel等,2012)。随着深度学习的发展,基于卷积神经网络的分割方法显著提升了杂质检测性能。Liu等人(2023)提出了基于NAM-EfficientNetV2的轻量级分割模型,实现了精度与计算效率之间的良好平衡。Qiu等人(2025)则采用了基于SegFormer的多尺度特征融合策略,提升了复杂场景下的分割性能。Guan等人(2022)开发了用于收割机械的基于Mask R-CNN的杂质检测系统,实现了初步的在线监测。此外,DeepLab等语义分割模型也被应用于稻谷质量分析,证明了深度学习方法的有效性(Qi等,2024;Chen等,2022;Li等,2023)。同时,关于轻量级在线检测系统的研究也表明,基于视觉的实时方法在实际应用中具有巨大潜力(Wu等,2024;Qiu等,2024)。还有些研究进一步探索了利用计算机视觉实现稻谷质量定量检测的方法,例如Fan等人(2024)提出了一种用于检测和分类破损及垩白稻粒的方法。
杂质含量是重要的质量指标,通常在储存前的清理阶段进行评估。如图1所示,工业三级清理设备可通过筛分和风选去除大部分杂质,但茎秆、穗枝等细长杂质仍可能残留。这类杂质往往分布密集,会被稻谷遮挡,且质地或颜色与稻谷相似,增加了分割难度。此外,现有研究大多侧重于检测或分割,而将像素级特征转换为基于质量的杂质含量的方法还不够完善,限制了杂质的精准量化。
为解决这些问题,本研究选用YOLOv8-seg作为基准模型,因为它具有较高的效率、良好的精度与速度平衡,以及实例级分割能力(He等,2017)。在此基础上,通过建立像素面积与质量之间的线性关系,构建了一种基于图像分割的杂质含量量化模型,从而可直接将分割结果转换为杂质含量。此外,还提出了改进版的YOLOv8n-DLMF模型。其中C2f-DWR-DRB模块提升了特征提取与重用效率,SPPF-LSKA模块在保留细节的同时扩展了感受野,C2f-MLCA模块加强了特征融合与通道注意力机制,而Focaler-ShapeIoU损失函数则提升了定位精度和轮廓对齐效果,进而提升了稻谷及细长杂质的分割性能。
章节节选
像素面积与质量关系的数据获取
为建立稻谷与茎秆、枝条等杂质的像素面积-质量线性映射关系,本研究搭建了一个专用图像采集平台,用于标准化收集校准样本。该平台的核心硬件包括MV-CS050-10?GC-Pro工业相机、MV-LRDS-100-90-W光源、固定支架以及计算机。相机垂直固定在支架上,镜头与样品台之间的工作距离设定为
稻谷杂质数据集的收集
实验数据集来源于湖北金穗昌丰粮食机械设备有限公司提供的稻谷及杂质样本,所用稻谷品种为黄华占。图像采集设备及配置如图4所示。该平台由海康威视MV-CS050-10?GC-Pro彩色工业相机、MV-LRDS-100-90-W环形LED光源、可调节支架、样品台、黑色哑光检测板、数据线等组成
YOLOv8n-seg基准模型
YOLOv8-seg是由Ultralytics团队开发的新一代实时实例分割模型。它基于YOLOv8(Sohan等,2024)物体检测架构,整合了高效的分割模块,采用检测头与分割头并行的设计,可实现物体定位与像素级掩码预测的集成推理,从而在检测精度与分割效率之间取得平衡。该模型共有五个
损失函数的比较
为评估所提出的Focaler-ShapeIoU损失函数对模型性能的影响,本研究选择了八种主流损失函数——CIoU、WIoUv3、SIoU、EIoU、Shape-IoU、Focaler-IoU、Inner-IoU以及MPDIoU——作为对比对象。所有实验均基于YOLOv8n-seg基准模型,在统一的硬件环境、一致的超参数以及相同的稻谷杂质检测数据集下进行。实验结果如表2所示。
结论
为解决传统手工杂质检测效率低且存在主观性的问题,本研究开发了一种用于储存前评估稻谷杂质含量的自动方法。该方法结合国家标准的手工称重原理与图像分割技术,基于像素面积与质量之间的线性关系,建立了杂质含量的定量计算方法。通过对稻谷、茎秆和枝条的像素面积与质量映射关系的研究,实现了
伦理声明
本研究未涉及任何人类或动物实验,因此无需伦理审批及知情同意。
CRediT作者贡献说明
Liu Yang:概念构思、资金获取、论文撰写——审阅与编辑。Xinfeng Hu:研究调查、方法设计、论文撰写——初稿编写。Can Shu:资源协调、论文撰写——审阅与编辑。Jiaming Wang:资源协调、论文撰写——审阅与编辑。Nianwu Wei:数据整理、正式分析、论文撰写——审阅与编辑。Tianqing Liu:概念构思、项目管理、监督指导。Qian Liu:概念构思、项目管理、监督指导。Menghao Zhao:概念构思、项目
利益冲突声明
我们代表所有共同作者声明,与任何可能不当影响本研究的个人或组织均不存在财务或个人关系。同时,我们也声明,在与题为“基于机器视觉的稻谷储存前质量监测的杂质含量评估”这篇手稿相关的立场表述或评审过程中,我们与任何产品、服务或公司均无任何可能影响判断的专业或个人利益关联
致谢
本研究主要由湖北省自然科学基金青年项目(编号:2022CFB944)、湖北省教育厅科技研究项目(编号:Q20211609)、湖北省粮食局项目(编号:2023HBLSKJ004)提供资助,部分研究工作还得到了江苏省先进食品制造装备与技术重点实验室(编号:FM-202103)的支持。