基于深度学习的腰果仁分类

《International Journal of Food Properties》：Classification of cashew kernel using deep learning

　　

腰果仁分级（cashew kernel grading）对于基于形状、大小和纹理确定腰果仁的商业价值至关重要。传统手工方法因人为误差、疲劳和光照变化而容易出现不一致，这降低了质量和定价精度。本文提出了一种实时自动腰果仁分级系统，利用计算机视觉和深度学习。一个YOLOv5s模型，在包含三个商业等级（W180、W300和W500）的自定义数据集上训练，部署在Raspberry Pi上。该系统通过安装在传送带上方的顶部网络摄像头捕获视频输入，执行腰果仁分类，并通过UART（通用异步收发传输器）将结果传输到Arduino Uno。Arduino通过L298N驱动器控制机械挡板，对腰果仁进行物理分选。该系统实现了超过93%的分类准确率，所有类别的物理分选准确率在94%–96%之间。所提出的硬件-软件协同设计能够在工业环境中实现可扩展的低成本部署，显著提高吞吐量并减少对劳动力的依赖。

论文解读文章

腰果仁的商业价值取决于其形状、大小和纹理等外观特征，因此分级是加工和贸易中的关键环节。传统上，中小型加工厂依赖训练有素的人工进行手工分级，但这种方法受操作员疲劳、环境光照变化和主观判断影响，导致分级结果不一致，既降低了品质控制的可靠性，也影响了定价精度。随着计算机视觉和深度学习技术的进步，自动化食品质量评估成为可能，但现有系统要么依赖昂贵的GPU或专用加速器，要么仅停留在离线分类阶段，缺乏与物理分选机械的实时集成，难以适用于预算有限的中小规模加工厂。因此，本研究旨在开发一套低成本、可嵌入的实时腰果仁分级系统，同时实现视觉分类和机械分选，以提高吞吐量、减少劳动力依赖，并适应实际工业环境。

研究人员提出了一种完整的硬件-软件协同设计方案，将基于YOLOv5s的深度学习分类管道部署在Raspberry Pi 4上，通过USB摄像头从传送带上方实时捕获腰果仁图像，分类结果经UART发送至Arduino Uno微控制器，Arduino通过L298N驱动器控制步进电机驱动的机械挡板，将腰果仁导入对应等级料箱。该系统的核心是一个轻量化的YOLOv5s目标检测模型，在包含W180、W300和W500三个商业等级的自定义数据集上训练，经过数据增强（旋转、翻转、亮度调整等）以提升鲁棒性。论文发表在《International Journal of Food Properties》。

主要关键技术方法包括：YOLOv5s深度学习模型（采用640×640输入分辨率，训练100 epochs，PyTorch框架）；Raspberry Pi 4 Model B作为边缘推理平台（Broadcom BCM2711四核1.5GHz处理器，4GB RAM）；Arduino Uno（ATmega328P）负责机械控制；UART串行通信实现分类结果到执行器的低延迟传输；L298N双H桥电机驱动器驱动NEMA 17步进电机；自定义数据集来自受控照明下采集的腰果仁图像（拍摄距离6 cm），经Roboflow平台标注、预处理和增强，最终训练集5032张图像，验证集1258张，测试集628张。

研究结果如下：

**Performance metrics**：通过训练100个epoch，模型在精度（precision）、召回率（recall）和平均精度均值（mAP@0.5）指标上表现稳定。训练阶段各等级精度均超过94%，总mAP@0.5达到98.9%。

**Confusion Matrix Analysis**：归一化混淆矩阵显示，W180等级分类准确率达到100%，W300和W500等级超过94%，少量误分类归因于边缘样本和软壳腰果仁。

**F1 and Precision–Confidence Curves**：F1-置信度曲线和精度-置信度曲线表明，在0.5–0.8置信度阈值下，所有三个等级的召回率均≥0.95，兼顾高灵敏度和可调精度，适合实时部署。

**Recall – Confidence (RC) Curve**：召回率-置信度曲线显示，在置信度阈值低至0.93时，召回率仍保持0.90以上；超过0.93后召回率逐渐下降，体现了精度与灵敏度之间的权衡。

**Mean Average Precision**：模型在IoU≥0.5时的mAP@0.5为98.9%，证实了检测器在不同条件下的鲁棒性。

**Predicted Label Visualization**：预测标签可视化显示，边界框与腰果仁轮廓准确对齐，且目标中心坐标和尺寸分布均匀，有助于模型泛化。

**Ablation study**：消融实验比较了YOLOv5子模型、输入分辨率、数据增强和训练轮数的影响。YOLOv5s在准确率（93.4%）和推理速度间取得最佳平衡；640×640输入分辨率相比更高分辨率在延迟上更优；去除数据增强导致召回率下降3.2%；100 epochs足以收敛，更长轮数无增益。

**System validation**：在未见过的腰果仁上测试，所有三个等级的检测置信度均高于0.90；训练损失和验证指标曲线显示模型稳定收敛，mAP在80–100 epochs后饱和，表明泛化良好。

**K-Fold cross-validation**：采用分层5折交叉验证（k=5），模型在精度、召回率、F1分数上的标准差均≤0.22，mAP@0.5标准差约0.11，证实了模型对数据集划分的稳定性。

**Performance and cost analysis**：在Raspberry Pi 4上推理速度约5 FPS，对应每小时约250颗腰果仁的处理量，远高于人工的40–60颗/分钟，且接近高端工业机（180–200颗/分钟）。系统硬件总成本约10000–12000印度卢比（约120美元），远低于商业分级机（约8000–12000美元）和基于Jetson Nano的科研原型，适合中小规模用户。

**讨论部分**：研究结果验证了轻量级YOLOv5s网络与低成本嵌入式平台结合可实现近工业级精度。高置信度下的高准确性保证了最小误分；推理时间满足小规模生产线实时要求。未来工作需解决光照敏感性、腰果仁重叠、传送带漂移等问题，并扩展至破损、焦糊等缺陷等级，引入闭环反馈和实时监控界面，以及采用边缘AI加速器提升吞吐量。

**研究结论**：本工作提出了一套完整的基于深度学习的腰果仁分级与分选系统，有效克服了传统手工分级的缺点。该系统结合深度学习、嵌入式硬件和实时自动化，实现了腰果仁的一致且精确分级。基于YOLOv5s的分类器在Raspberry Pi 4上运行，证明了低成本边缘计算技术用于工业加工的可行性。模型检测准确率超过90%，并通过Arduino Uno控制的步进电机驱动挡板实现了稳健的物理分选。凭借可扩展、模块化和低成本的结构，该解决方案在腰果加工厂的实际应用中展现出巨大潜力。它提高了生产率、分级均匀性和操作效率，为农业工业领域的进一步优化和工业规模自动化奠定了基础。