基于改进的Yolov99,检测大豆种子的表面缺陷
Chuanming Liu1, Yifan Shen1,2, Feng Mu1,2
1Key Laboratory of Data Science and Smart Education, Hainan Normal University, Ministry of Education, Haikou, 571158, China.
Scientific reports
|April 12, 2025
概括
这项研究引入了一种改进的深度学习模型,用于识别大豆种子缺陷,提高农业质量控制. 先进的Yolov9-c-ghost-Forward模型显著提高了比传统方法的准确性和效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 豆种子的外观对于质量识别至关重要.
- 传统的缺陷检测依赖于手动检查,这是劳动密集型和昂贵的.
- 深度学习为自动化农业质量评估提供了一个有希望的替代方案.
研究的目的:
- 开发和评估一个先进的深度学习模型来检测大豆种子中的缺陷.
- 提高大豆种子质量检查的准确性和效率.
- 为自动化农业育种和发展提供技术基础.
主要方法:
- 提出了一个Yolov9-c-ghost-Forward模型,其中包含GhostConv,用于增强图像处理.
- 应用图像预处理技术,包括灰度转换,过,细分和形态操作.
- 利用Yolov9网络在大豆种子中提取特征和检测缺陷.
主要成果:
- 改进的模型实现了98.6%的召回率.
- 在0.5的IOU值下,平均平均精度 (mAP) 达到99.2%.
- 该模型有效地降低了噪音,并准确地将大豆种子从图像中分离出来.
结论:
- 该Yolov9-c-ghost-Forward模型在大豆种子缺陷检测方面表现出很高的性能.
- 这种深度学习方法为农业质量控制和育种选提供了强大的解决方案.
- 这些发现支持在现代农业中应用先进的人工智能,以提高效率和降低成本.
