农业机械学报

作者：宋怀波，焦义涛，华志新?，李嵘，许兴时

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：玉米胚乳裂纹;YOLO v5;CT扫描;旋转目标检测;机器视觉

基金：国家重点研发计划项目(2019YFD1002401)

浸种是玉米生产中重要的播前增种技术，对浸种过程中裂纹的高效检测是分析玉米胚乳裂纹变化规律的基础，是优良品种性状选育的关键之一，尚存在内部胚乳裂纹不可见、自动化检测程度不高等困难。基于CT扫描技术，在YOLO v5n检测网络的基础上，设计了YOLO v5-OBB旋转目标检测网络，其中OBB为有向目标边框，该网络使用旋转矩形框代替普通矩形框，并在Backbone部分加入位置注意力模块(CA)，同时采用倾斜非极大值抑制算法(Skew-NMS)进行非极大值抑制得到最终预测框，以此实现长宽比大、方向不一的玉米胚乳裂纹检测。经过300次迭代训练，模型在测试集上的精确率P为94.2%，召回率R为81.7%，平均精度(AP)为88.2%，模型内存占用量为4.21MB，单幅图像平均检测时间为0.01s，与SASM、S2A-Net和ReDet旋转目标检测网络相比，AP分别提高15.0、16.9、7.0个百分点，单幅图像平均检测时间分别减少0.19、0.22、0.46s，同时YOLO v5-OBB模型内存占用量分别为SASM、S2A-Net和ReDet模型的1.50%、1.43%和1.73%，与采用水平矩形框标注的YOLO v5网络相比，AP提高0.6个百分点，模型大小减小0.19MB，单幅图像平均检测时间不变，两者均为0.01s。将YOLO v5-OBB网络获取裂纹目标框坐标信息后得到的裂纹长度与在DragonflyEZ软件中得到的裂纹真实长度相比，两者绝对误差为0.04mm，相对误差为0.93%。对不同CT灰度分布情况下玉米胚乳裂纹检测结果表明，该模型对较小灰度、较大灰度、混合灰度3种玉米胚乳裂纹图像的P分别为100%、100%、93.3%，R分别为100%、82.4%和79.8%，AP分别为99.5%、91.2%和86.8%。结果表明，所设计模型能有效实现玉米胚乳裂纹的检测，同时模型鲁棒性高，内存占用量小，可为玉米浸种过程胚乳裂纹的自动监测提供借鉴。

来源：2023年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第3期