农业机械学报

作者：张晓，庄子龙，刘英，王旭

单位：南京林业大学;农业农村部南京农业机械化研究所,南京林业大学,南京林业大学,南京林业大学,

关键词：青梅;智能分选装备;可溶性固形物;Vision Transformer模型;低秩张量恢复

基金：江苏省农业科技自主创新资金项目（CX(18)3071）

青梅内外品质对其精深加工过程有重要影响，常规人工分选不仅分级效率较低，且受个人主观因素影响难以实现标准化作业，不能满足市场需求。以深度学习技术为基础，在青梅外表缺陷分类方面，将Vision Transformer网络模型应用到机器视觉系统中，引入多头注意力机制，提升全局特征表示能力，并通过softmax函数减少梯度，实现青梅表面的多类（腐烂、裂纹、疤痕、雨斑、完好5类）检测分选，结果表明其平均判别准确率达到99.16%，其中腐烂、疤痕、裂纹以及完好青梅图像的判别准确率达到100%、雨斑达到97.38%，每组平均测试时间为100.59ms；该网络的各类判别准确率、平均判别准确率均明显优于VGG网络、ResNet-18网络。青梅内部品质（SSC）预测方面，基于高光谱成像技术，结合低秩张量恢复（LRTR）的去噪优势和堆叠卷积自动编码器（SCAE）的降维优势，构建了LRTR-SCAE-PLSR青梅糖度预测模型。结果表明网络规模为119-90-55-36时，模型预测集相关系数为 0.9654，均方根误差为0.5827%，表现最佳；通过SCAE、LRTR-SCAE两种降维模型对比，LRTR-SCAE模型不仅维度更低，预测集相关系数也明显提高，验证了LRTR-SCAE模型的降维去噪优势。设计并搭建了可用于青梅内外品质无损分选的智能装备，整机尺寸小，结构简单，分选结果满足青梅精深加工需求。

来源：2022年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2022年第11期