玉米是我国粮食种植面积最广、产量最高的作物,由于受到籽粒结构、水分、机械化收获等因素影响,收获过程一直存在损伤严重的问题,特别是随着玉米直收技术的发展,玉米籽粒在收获时期损伤问题更加突出。为了满足玉米收获的低损伤要求,通常收获过程,机手需要根据籽粒的损伤情况调整作业参数,这不仅降低了作业效率,而且经常因为机手经验、调节实时性问题导致收获质量不理想,所以生产上迫切需要一种能实时、自动、准确检测玉米籽粒损伤的技术与装置,为机手准确、及时调整收获机作业参数提供决策依据。
基于深度学习的农作物检测技术已经成为实时、准确评价其品质的发展方向,为了解决玉米籽粒收获过程机手调控参数缺少决策依据的问题,团队提出了一种基于两阶段深度学习模型(segmentation-classification)的玉米籽粒破损检测方法,即首先采用 Mask R-CNN 模型将待检玉米籽粒集图像分割成不同区域的单个玉米籽粒实体;然后采用由本文提出的 BCK-CNN 卷积网络模型对单个玉米籽粒进行分类。
该方法采用籽粒单层化装置不断获取高质量玉米籽粒集图像数据,并通过深度学习分割、分类两阶段模型实现破损玉米籽粒检测。选取平均相对误差为评价指标,通过模拟试验对比验证了该检测方法对破损玉米籽粒的检测性能,结果表明,相较于人工计算籽粒破损率,本文提出的破损玉米籽粒检测方法计算得到的平均相对误差仅 4.02%,远低于其他方法;且将其部署在移动工控机上对单周期玉米籽粒集图像检测时间能够控制在 1.2s 内,基本满足玉米收获过程中破损籽粒快速准确检测的要求。