基于改进的轻量级深度学习模型,优质绿茶的杂质检测
Zezhong Ding1, Mei Wang2, Bin Hu3
1Tea Research Institute of Shandong Academy of Agricultural Sciences, Jinan 250100, China; College of Mechanical and Electronic Engineering, Shihezi University, Shihezi 832000, China.
Food research international (Ottawa, Ont.)
|January 8, 2025
概括
这项研究开发了一种轻量级的深度学习模型,以有效检测优质绿茶中的杂质,提高检测精度和速度,同时减少工业应用的计算资源.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 农业技术 农业技术
背景情况:
- 在优质绿茶中手动分类杂质是低效的,并影响质量.
- 现有的深度学习模型通常过于资源密集,无法在茶叶加工中实际部署.
研究的目的:
- 开发一种轻量级的深度学习模型,以有效检测优质绿茶中的杂质.
- 解决实际生产环境中计算资源的局限性.
主要方法:
- 在自定义数据集上使用了You Only Look Once版本8 (YOLOv8) 模型.
- 实施模型轻量化技术,包括损失函数替换,轻量化卷积,模型修剪和知识蒸.
主要成果:
- 改进的模型实现了4.2Giga浮点运算 (GFLOPs) 和791966参数,精度 (P) 为0.9379,回忆 (R) 为0.8959,平均平均精度 (mAP) 为0.9484.
- 实现了每秒 (FPS) 1362.7,比原始模型改进了368.0 FPS.
- 降低了48.15%的GFLOP和73.66%的参数,同时提高了检测性能.
结论:
- 拟议的轻量级模型为优质绿茶生产中的智能杂质分类提供了可行的解决方案.
- 通过减少计算负载,在检测性能和效率方面取得了显著的改进.
- 为绿茶行业的自动化和升级提供必要的技术支持.
