玉米在全球谷物市场占主导地位。根据数据统计显示出该谷物在世界经济中的重要性，必须在其商业化过程中定义标准，其中包含品质分析。目前，玉米籽粒的品质分析是由专家手动进行的，检查过程由于存在目视的主观性，使得这项任务繁琐、复杂且易错。
本文提出了一种有效的方法来对一组接触的玉米粒进行分类，其中可能包含良好或有缺陷的玉米粒以及杂质。所提出的方法包括两个阶段，第一个阶段是分割网络，通过使用一组合成图像进行训练，该图像用于将给定图像划分为一组单独的实例。然后提出一个高效的轻量级CNN架构，将每个实例分为三类（即好，有缺陷和杂质）。该策略避免了耗时且容易出现人为错误的手动数据注释任务。在分类阶段，所提出的网络仅设计了几组层，形成了能够用于集成解决方案的轻量级架构。实验结果与先前方法比较表明，该方法在精度和时间上都有提高。最后，提出的分割和分类方法可以方便地应用于其他谷物类型。
图1 用于合成谷物成簇的整体管道。
首先，裁剪来自真实世界图像的每个颗粒（即颗粒网格）。然后，使用背景减法提取颗粒的面积。接下来，通过定位算法将颗粒插入到空的合成图像中；最后，在合成图像上应用自定义背景。
图2 用于颗粒实例分割的Mask R-CNN架构。
以合成的玉米颗粒簇的图像为例(未使用分类模块)。
图3 提出了一种轻量级分类架构。
图4 提出的CK-CNNLW架构在三分类情况下的ROC曲线。
图5 CK-CNN和提出的CK-CNNLW模型对缺陷玉米类(三分类情况)的ROC曲线。
图6 CK-CNN和提出的CK-CNNLW模型对杂质类的ROC曲线(三分类情况)。
图7 CK-CNN和提出的CK-CNNLW模型对好的玉米类(三分类情况)的ROC曲线。
文献来源：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.
鄂公网安备42018502003245号 网站地图
