基于CNN的糙米全表面缺陷图像检测系统

《Foods》：A CNN-Based Image Detection System for Full-Surface Defects in Brown Rice

　　

为了通过糙米全表面缺陷检测实现准确高效的稻米品质评估，研究人员开发了一种基于卷积神经网络（CNN）的检测系统。研究人员收集了包含未脱壳、正常、破损、裂纹和虫蛀糙米这五个类别的图像数据集。研究人员评估并比较了三种CNN模型，即YOLOv5s、YOLOv7和Faster R-CNN，并与包括支持向量机（SVM）和反向传播（BP）神经网络在内的传统算法进行了对比。实验结果表明，在当前数据库中，基于CNN的方法显著优于传统方法，其中YOLOv5s模型取得了最佳的综合性能：检测准确率为95.80%，单张图像推理时间为10.90 ms，处理速度为92 frames/s。研究人员进一步提出并验证了一种改进的Rice-YOLOv5s算法，通过批量检测实验，该算法实现了96.44%的平均识别准确率和9.2 ms的单张图像处理时间，相当于约108.7 FPS。本研究证明了基于CNN的糙米缺陷检测的可行性，未来的工作将面向生产线的轻量化部署和多模态融合。

**研究背景与意义**

稻米是全球重要的粮食作物，据联合国粮食及农业组织统计，2026年全球稻米产量预计达5.616亿吨，全球超过一半人口严重依赖稻米，预计到2030年全球对稻米的需求将增长25%。然而，稻米在收获、运输、干燥和储存等各个环节容易出现不同程度的品质损害，如破损、裂纹、虫蛀和霉变等现象。高效、无损、快速的稻米品质检测技术对促进大米产业健康发展具有重要作用。

传统稻米品质检测主要依赖人工视觉判断，存在效率低、主观性强、劳动密集等问题，无法满足现代粮食加工对实时、高通量和一致性检测的要求。尽管计算机视觉和深度学习技术的发展为农业品质检测提供了新途径，但现有研究仍存在三个关键缺口：单面成像无法检测背侧缺陷；手工特征对照明变化敏感；深度学习方法在该领域探索较少。为解决这些问题，研究人员系统比较了传统算法（SVM、BP）与几种CNN模型（YOLOv5s、Faster R-CNN、YOLOv7），以选择最优模型，为糙米全表面缺陷的视觉识别提供技术支持。研究人员开发了一种基于CNN的糙米全表面缺陷图像检测系统，提出了改进的Rice-YOLOv5s算法，实现了96.44%的检测准确率和9.2 ms的推理时间，证明了基于CNN的糙米缺陷检测的可行性。该研究发表在《Foods》期刊上，为智能粮食质量监测提供了实用解决方案，具有重要的工程应用价值。

**关键技术方法**

研究人员使用南京46号粳稻作为实验材料，样本采自江苏省（31°17′ N，120°01′ E）。研究人员搭建了糙米全表面缺陷识别试验台，配备GI4300-MT9F002工业数字彩色相机和上下组合光源系统以采集图像。在算法方面，研究人员采用YOLOv5s作为基础模型，并对比了YOLOv7、Faster R-CNN以及传统的SVM和BP神经网络。研究人员提出了改进的Rice-YOLOv5s模型，融合了坐标注意力（CA，关注通道与位置信息相关性的机制）、双向特征金字塔网络（BiFPN，高效多尺度特征融合结构）以及小目标检测层。数据集包含1080张图像，按7:2:1比例划分为训练集、验证集和测试集。模型训练在PyTorch 2.0.1框架下进行，使用NVIDIA GeForce RTX 4060 GPU，采用SGD优化器，初始学习率为1 × 10^-5，训练500个epoch，batch size为20。

**研究结果**

**模型性能比较**

研究人员在独立验证集上对模型性能进行了比较。实验结果表明，Rice-YOLOv5s模型在验证数据集上的准确率达到96.7%，平均推理时间仅为9.2 ms，检测帧率为108.70 FPS，具有良好的泛化能力。通过分析损失值变化曲线，研究发现在500轮训练后，训练数据集和验证数据集的定位损失、置信度损失和分类损失均收敛至较低水平，表明模型具有良好的定位和分类能力。PR曲线分析显示，改进模型对不同缺陷类别的PR曲线面积接近1，识别性能良好。与原始YOLOv5s网络模型相比，Rice-YOLOv5s模型在检测糙米图像时具有更高的置信度表现，所有出现的表面缺陷目标均被识别，无漏检或多检现象。

**系统验证和批量测试结果**

研究人员对开发的糙米全表面缺陷识别系统进行了验证和批量测试。批量检测实验中，从独立验证集中随机选择500粒糙米（每类100粒），五类糙米表面缺陷的平均检测准确率为96.45%，每组糙米的平均检测识别时间为9.2 ms。混淆矩阵分析表明，在5000个样本中，共有4822个被正确分类，总体准确率为96.44%。其中，未脱壳糙米的检测率最高，达97.23%，假阴性率最低为2.80%；正常糙米的精确度为96.92%；裂纹糙米的分类准确率相对最低，为95.73%，假阴性率最高为4.30%。模型复杂度分析显示，与基线YOLOv5s相比，Rice-YOLOv5s在mAP@0.5上提高了1.9%（从95.2%提高到97.1%），参数量仅增加0.6 M（+8.6%），计算成本增加1.7 GFLOPs（+10.3%），表明所添加的模块有效提升了检测准确率，且未引入过多的计算负担，适用于粮食加工生产线的实时部署。

**讨论与结论**

研究人员将本研究的结果与近期文献报道的稻米品质表面缺陷检测精度进行了对比。例如，南京农业大学研究团队基于YOLOv5s-RF模型进行糙米内部裂纹识别，准确率为94.01%；佳木斯大学研究团队使用Canny检测模型检测糙米裂纹，准确率为98%但每张图像处理时间达数秒；黑龙江八一农垦大学研究团队应用BP神经网络结合近红外光谱识别虫损和霉变稻米，准确率为93.33%。在处理速度方面，本研究方法优于或与近期报道的其他粮油画作物图像检测系统相当，如中国农业大学开发的基于CNN的玉米种子内部裂纹图像检测系统（单粒处理时间4.42 s）和河南工业大学开发的IDS-YOLO算法（检测速度88.03 FPS）。这些对比验证了改进的YOLOv5s模型在相对固定尺度和均匀背景下的有效性。

研究人员也指出本研究存在的局限性：为评估跨品种泛化性和时间鲁棒性，未来工作需扩展数据集以包含更多籼稻和粳稻品种、多个收获年份以及不同的相机设置和照明条件；模型在边缘设备上的部署仍需GPU加速，可能增加硬件成本；批量数据约束也是一个问题。研究人员总结了以下结论：

本研究证明了基于CNN的图像识别系统用于糙米全表面缺陷检测的可行性。图像分析、深度学习和自动决策的集成为智能粮食质量监测提供了实用解决方案，符合粮食检测智能分析技术的发展趋势。主要结论如下：(1) 改进的Rice-YOLOv5s模型在批量检测实验中实现了96.44%的检测准确率和9.2 ms的单张图像推理时间，显著优于传统的SVM和BP神经网络方法。(2) CA注意力、BiFPN和小目标检测层的协同组合使mAP@0.5从95.2%提高到97.1%，计算成本仅适度增加（+0.6 M参数，+1.7 GFLOPs），这一结果已通过消融实验验证。(3) 从图像采集、数据集构建到模型训练和系统集成的完整技术流程，展示了实时粮食质量检测的实用工程价值。未来的工作将侧重于跨品种数据扩展、针对可变成像环境的鲁棒预处理以及边缘设备部署的模型压缩策略。