Cgc-YOLO:一种用于检测茶树种子缺陷的新检测模型
Yuwen Liu1, Hao Li1, Kefan Yu1
1College of Science, Northeast Forestry University, Harbin 150040, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
检测茶种子的表面缺陷对于质量至关重要. 新的人工智能模型Cgc-YOLO使用高效的特征提取和注意力机制准确识别小缺陷,确保更好的种子储存.
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:
- 茶树种子对脱水非常敏感,需要有效的质量评估方法.
- 目前用于检测种子缺陷的方法对于小规模和复杂的表面缺陷是不够的.
研究的目的:
- 开发一种基于YOLO的增强型模型,Cgc-YOLO,用于准确有效地检测茶种表面缺陷.
- 通过先进的缺陷检测,提高茶种发芽率和整体质量的保存.
主要方法:
- 使用高分辨率成像系统创建了五种茶树种子类型的数据集,这些种子具有各种缺陷.
- Cgc-YOLO将GhostBlock集成到脊柱中,以实现高效的特征提取,并在子中集成CPCA注意力,以提高细节灵敏度.
- 该模型在定制茶缺陷数据集上进行了训练和评估.
主要成果:
- Cgc-YOLO实现了高性能指标:97.6%的mAP50和94.9%的mAP50-95.5%的高性能指标.
- 与YOLO11相比,该模型显示出更高的精度,mAP50和mAP50-95的改进分别为2.3%和3.1%.
- Cgc-YOLO保持了8.5MB的紧型号尺寸,以平衡精度和效率.
结论:
- Cgc-YOLO提供了一种强大而轻量级的解决方案,用于非破坏性检测茶种表面缺陷.
- 拟议的模型有助于智能种子选,并加强种子储存的质量保证.
- 这项研究为提高茶种子的可行性和可销售性提供了有价值的工具.


