一种基于优化MSA变压器算法的玉米核破裂率的定量检测方法

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 机械化收获的玉米导致破碎,影响食品质量和利能力.
• 现有的核破裂检测方法是定性性的,缺乏精度.
• 准确的定量评估玉米核破碎对于质量控制至关重要.

研究的目的:

• 使用机器视觉和深度学习开发玉米破裂率的定量检测模型.
• 创建一个改进的基于变压器的深度学习模型 (MSA变压器) 以提高特征提取和分类.
• 提供可靠的方法来评估农产品的食品质量.

主要方法:

• 从玉米核图像中提取了27个几何,形状,颜色和纹理特征.
• 开发了一种改进的变压器模型 (MSA变压器),具有多尺度的特征融合和注意力机制.
• 利用并行分支来提取多个细分的特征,并为突出信息增强提供全球/本地关注.

主要成果:

• MSA变压器实现了98.03%的分类准确度,比标准变压器高出2%.
• 实现了高性能指标:99.13%的平均精度,98.03%的回忆和97.87%的F1分数.
• 定量检测模型显示与实际测量有很强的相关性 (R2=0.9887),相对误差很低 (~6%).

结论:

• 开发的MSA变压器模型提供了精确和高效的玉米核破裂的定量检测.
• 颜色和纹理特征是分类的关键,而几何特征对于质量预测很重要.
• 这项研究为农业生产中的实时定量食品质量评估奠定了基础.