BSQG-YOLO：水蕨的非破坏性实时质量分级

《Journal of Food Measurement and Characterization》：BSQG-YOLO: non-destructive real-time quality grading of Brasenia schreberi

　　

摘要

人工对席草藻进行质量分级劳动强度大、主观性强且存在偏差，特别是在潮湿、易产生眩光的分拣线条件下，会严重损害视觉检查的准确性。迄今为止，尚无针对该产品无损、基于图像的分级方法或参考数据集的报道。因此，本研究旨在开发一种改进的基于YOLO的深度学习框架，以实现具有挑战性的分拣环境下自动且准确的质量分级。在对从YOLOv5n到YOLO26n的轻量级YOLO检测器进行基准比较后，选择了YOLOv6n作为基线模型。在消融实验的指导下，随后开发了一个改进的四尺度检测器，该检测器整合了真实的P2分支、定制的RepBiFPANNeckP2、骨干网络级别的Efficient Channel Attention（ECA）以及四层高效解耦头。与传统的三尺度检测器不同，该网络在四个特征层（P2–P5）上执行检测，增强了在反光、湿表面条件下的空间细节保留和小物体定位能力。该模型在席草藻质量分级（BSQG-1372）数据集上进行了训练和评估，该数据集包含在模拟工业分拣条件下收集的1,372张图像。在验证集上，该模型达到了83.5%的精确率、88.7%的召回率以及交并比阈值为0.5时的平均精度均值（mAP@0.5）为93.3%；在独立的保留测试集上，精确率为83.2%、召回率为86.5%、mAP@0.5为91.2%，确认了在来自相同分布的保留划分上表现一致。当部署在NVIDIA Jetson Orin Nano上时，完整的摄像头至分级流水线在传送带运行期间实现了每帧23.93毫秒的端到端延迟。这一结果证实了实用性强的、无损的、实时边缘端席草藻分级方案。