玉米在全球谷物市場占主導地位。根據(jù)數(shù)據(jù)統(tǒng)計顯示出該谷物在世界經(jīng)濟中的重要性,必須在其商業(yè)化過程中定義標準,其中包含品質分析。目前,玉米籽粒的品質分析是由專家手動進行的,檢查過程由于存在目視的主觀性,使得這項任務繁瑣、復雜且易錯。
本文提出了一種有效的方法來對一組接觸的玉米粒進行分類,其中可能包含良好或有缺陷的玉米粒以及雜質。所提出的方法包括兩個階段,第一個階段是分割網(wǎng)絡,通過使用一組合成圖像進行訓練,該圖像用于將給定圖像劃分為一組單獨的實例。然后提出一個高效的輕量級CNN架構,將每個實例分為三類(即好,有缺陷和雜質)。該策略避免了耗時且容易出現(xiàn)人為錯誤的手動數(shù)據(jù)注釋任務。在分類階段,所提出的網(wǎng)絡僅設計了幾組層,形成了能夠用于集成解決方案的輕量級架構。實驗結果與先前方法比較表明,該方法在精度和時間上都有提高。最后,提出的分割和分類方法可以方便地應用于其他谷物類型。
圖1 用于合成谷物成簇的整體管道。
首先,裁剪來自真實世界圖像的每個顆粒(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,在合成圖像上應用自定義背景。
圖2 用于顆粒實例分割的Mask R-CNN架構。
以合成的玉米顆粒簇的圖像為例(未使用分類模塊)。
圖3 提出了一種輕量級分類架構。
圖4 提出的CK-CNNLW架構在三分類情況下的ROC曲線。
圖5 CK-CNN和提出的CK-CNNLW模型對缺陷玉米類(三分類情況)的ROC曲線。
圖6 CK-CNN和提出的CK-CNNLW模型對雜質類的ROC曲線(三分類情況)。
圖7 CK-CNN和提出的CK-CNNLW模型對好的玉米類(三分類情況)的ROC曲線。
文獻來源: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.