玉米在全球谷物市場(chǎng)占主導(dǎo)地位。根據(jù)數(shù)據(jù)統(tǒng)計(jì)顯示出該谷物在世界經(jīng)濟(jì)中的重要性，必須在其商業(yè)化過程中定義標(biāo)準(zhǔn)，其中包含品質(zhì)分析。目前，玉米籽粒的品質(zhì)分析是由專家手動(dòng)進(jìn)行的，檢查過程由于存在目視的主觀性，使得這項(xiàng)任務(wù)繁瑣、復(fù)雜且易錯(cuò)。
本文提出了一種有效的方法來對(duì)一組接觸的玉米粒進(jìn)行分類，其中可能包含良好或有缺陷的玉米粒以及雜質(zhì)。所提出的方法包括兩個(gè)階段，第一個(gè)階段是分割網(wǎng)絡(luò)，通過使用一組合成圖像進(jìn)行訓(xùn)練，該圖像用于將給定圖像劃分為一組單獨(dú)的實(shí)例。然后提出一個(gè)高效的輕量級(jí)CNN架構(gòu)，將每個(gè)實(shí)例分為三類（即好，有缺陷和雜質(zhì)）。該策略避免了耗時(shí)且容易出現(xiàn)人為錯(cuò)誤的手動(dòng)數(shù)據(jù)注釋任務(wù)。在分類階段，所提出的網(wǎng)絡(luò)僅設(shè)計(jì)了幾組層，形成了能夠用于集成解決方案的輕量級(jí)架構(gòu)。實(shí)驗(yàn)結(jié)果與先前方法比較表明，該方法在精度和時(shí)間上都有提高。最后，提出的分割和分類方法可以方便地應(yīng)用于其他谷物類型。
圖1 用于合成谷物成簇的整體管道。
首先，裁剪來自真實(shí)世界圖像的每個(gè)顆粒（即顆粒網(wǎng)格）。然后，使用背景減法提取顆粒的面積。接下來，通過定位算法將顆粒插入到空的合成圖像中；最后，在合成圖像上應(yīng)用自定義背景。
圖2 用于顆粒實(shí)例分割的Mask R-CNN架構(gòu)。
以合成的玉米顆粒簇的圖像為例(未使用分類模塊)。
圖3 提出了一種輕量級(jí)分類架構(gòu)。
圖4 提出的CK-CNNLW架構(gòu)在三分類情況下的ROC曲線。
圖5 CK-CNN和提出的CK-CNNLW模型對(duì)缺陷玉米類(三分類情況)的ROC曲線。
圖6 CK-CNN和提出的CK-CNNLW模型對(duì)雜質(zhì)類的ROC曲線(三分類情況)。
圖7 CK-CNN和提出的CK-CNNLW模型對(duì)好的玉米類(三分類情況)的ROC曲線。
文獻(xiàn)來源：Patricia L. Suárez; Henry O. Velesaca; Dario Carpio; Angel D. Sappa. Corn kernel classification from few training samples. Artificial Intelligence in Agriculture. Volume 9, 2023, https://doi.org/10.1016/j.aiia.2023.08.006.
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
