基于轻量化部署模型的农产品检测方法、系统及应用

本发明涉及农产品图像检测，尤其涉及一种基于轻量化部署模型的农产品检测方法、系统及应用。

背景技术：

1、农产品的检测，尤其是快速准确的病害检测对农业运行和发展至关重要。

2、例如小麦是人类的主粮，对全球粮食安全保障和人类健康营养至关重要。受天气、环境等因素影响，小麦在储藏过程中会出现包括赤霉病，发霉、结痂、出芽等质量安全问题，产生大量不完善小麦籽粒。

3、具体而言，小麦富含碳水化合物、蛋白质、脂肪和无机盐，且容易产生毒素和霉菌，严重影响人体健康，利用光谱仪可以进行小麦霉变鉴定。小麦赤霉病导致小麦籽粒收缩干燥，造成品质差、产量降低、出苗率低。这些小麦颗粒含有致呕吐和雌激素毒素，容易导致人类和动物中毒。此外，小麦种子萌发导致面粉总淀粉含量降低，而受损淀粉含量增加。前期面粉厂的工人对进料小麦进行抽检，耗时长，完全依靠主观评价，最终的分选准确率只有80%左右。

4、因此，可以替代人工的快速准确的检测算法被开发出来应用于小麦品质检测系统中。

5、具体的，为了解决上述人工检测存在的问题，人们开发了几种检测方法，这些方法将有利于小麦颗粒图像的分析和应用。包括传统的基于机器学习的方法。利用可见光近红外(vnir)高光谱成像系统检测小麦不完善籽粒的缺陷，利用一种分类程序，结合光谱和空间特征对严重发芽的颗粒进行分类。还通过利用分类模型来区分图像特征。用于分类的形态学特征包括面积、投影体积、周长、椭圆偏心率和长轴长度。

6、此外，传统方法不能充分利用图像信息，随着研究发展，提出了一种基于卷积神经网络的作物病害识别方法，试图解决小麦和稻米的早期检测问题。然而，由于模型结构的不完善，导致该方法计算量大，限制了其应用。此外，还引入了改进的基于模型结构的方法和基于描述符的方法对小麦不完善颗粒进行检测和分类。然而，很少有人将机器视觉与深度学习对象检测方法相结合来检测小麦籽粒质量。基于深度学习的目标检测算法可以解决同一领域的多类别目标检测和多目标连接问题，可以显著提高小麦麦穗检测的速度和精度，避免人工检测的不确定性。因此，研究基于深度学习对象检测方法的小麦品质检测方法是一个开放的挑战，试图解决小麦白粉病和黄锈病的早期检测问题。小麦颗粒与传送带背景有明显的差异，降低了目标检测任务的难度。为了便于算法的部署，需要选择分类精度高、推理速度快的轻量化模型。

7、然而目前应用在这一领域中的模型很难在检测精度和模型轻量化之间实现平衡或兼得，或检测精度较低难以满足需求，或因为轻量化程度不足而导致对硬件要求较高，模型应用困难。

技术实现思路

1、针对现有技术的不足，本发明的目的在于提供一种基于轻量化部署模型的农产品检测方法、系统及应用，实现高精度且轻量化的农产品检测应用。

2、为实现前述发明目的，本发明采用的技术方案包括：

3、第一方面，本发明提供一种基于轻量化部署模型的农产品检测模型训练方法，其包括：

4、提供训练集，所述训练集包括多个农产品的图像以及对应的品质状态标记；

5、基于所述训练集对神经网络模型进行训练，获得农产品检测模型；

6、其中，所述神经网络模型由基础yolov5s模型调整获得；所述基础yolov5s模型包括骨干网络、颈部网络和头部网络；

7、所述神经网络模型相比于所述基础yolov5s模型，所述骨干网络被整体替换为mobilenetv3网络、所述颈部网络中的多个c3模块均被替换为c3_ghost模块。

8、第二方面，本发明还提供一种基于轻量化部署模型的农产品检测方法，其包括：

9、提供上述农产品检测模型训练方法训练得到的农产品检测模型；

10、将目标农产品的图像输入所述农产品检测模型，获得关于所述目标农产品对应的品质状态。

11、第三方面，本发明还提供一种基于轻量化部署模型的农产品检测模型训练系统，其包括：

12、训练集模块，用于提供训练集，所述训练集包括多个农产品的图像以及对应的品质状态标记；

13、模型训练模块，用于基于所述训练集对神经网络模型进行训练，获得农产品检测模型；

14、其中，所述神经网络模型由基础yolov5s模型调整获得；所述基础yolov5s模型包括骨干网络、颈部网络和头部网络；

15、所述神经网络模型相比于所述基础yolov5s模型，所述骨干网络被整体替换为mobilenetv3网络、所述颈部网络中的多个c3模块均被替换为c3_ghost模块。

16、第四方面，本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时执行上述农产品检测模型训练方法的步骤。

17、基于上述技术方案，与现有技术相比，本发明的有益效果至少包括：

18、本发明所提供的技术方案通过对基础yolov5s模型的改进，利用改进的yolov5模型，用于检测农产品的不同品质，包括是否存在病害以及病害的种类，且在实现模型轻量化的同时，能够确保检测精度达到95%以上，满足工业场景对农产品的检测需求。

19、上述说明仅是本发明技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合详细附图说明如后。

技术特征：

1.一种基于轻量化部署模型的农产品检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的农产品检测模型训练方法，其特征在于，所述颈部网络经过结构化剪枝处理。

3.根据权利要求2所述的农产品检测模型训练方法，其特征在于，所述结构化剪枝处理的过程具体包括：模型训练过程、模型剪枝过程和模型重训练过程；

4.根据权利要求1所述的农产品检测模型训练方法，其特征在于，c3_ghost模块相比于所述c3模块，将所述c3模块中的多个bottleneck层替换为ghost瓶颈层；

5.根据权利要求4所述的农产品检测模型训练方法，其特征在于，所述ghost瓶颈层包括串联堆叠的第一ghost单元和第二ghost单元，所述第一ghost单元增加通道数目，所述第二ghost单元减少通道数目至所述第一ghost单元的原始输入通道数目。

6.根据权利要求5所述的农产品检测模型训练方法，其特征在于，所述ghost瓶颈层分为第一部分和第二部分，所述第一部分和第二部分的输出为加和关系；

7.一种基于轻量化部署模型的农产品检测方法，其特征在于，包括：

8.一种基于轻量化部署模型的农产品检测模型训练系统，其特征在于，包括：

9.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时执行权利要求1-6中任意一项所述的农产品检测模型训练方法的步骤。

技术总结
本发明公开了一种基于轻量化部署模型的农产品检测方法、系统及应用。农产品检测模型的训练方法包括：提供训练集；对神经网络模型进行训练，获得农产品检测模型；神经网络模型由基础Yolov5s模型调整获得；基础模型包括骨干网络、颈部网络和头部网络；相比于所述基础模型，骨干网络被整体替换为MobilenetV3网络、颈部网络中的多个C3模块均被替换为C3_Ghost模块。本发明所提供的技术方案通过对基础模型的改进，利用改进的Yolov5模型，用于检测农产品的不同品质，包括是否存在病害以及病害的种类，且在实现模型轻量化的同时，能够确保检测精度达到95%以上，满足工业场景对农产品的检测需求。

技术研发人员：郑磊,刘长虹,刘伟
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2025/1/28