Un método ligero para la detección de la calidad del núcleo de cacahuete basado en SEA-YOLOv5
Autores: Liu, Zhixia; Wang, Chunyu; Zhong, Xilin; Shi, Genhua; Zhang, He; Yang, Dexu; Wang, Jing
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Los cacahuetes son susceptibles a defectos como daños por insectos, roturas, germinación y moho, lo que lleva a diferentes calidades de cacahuetes. La disparidad en la calidad del grano de cacahuete resulta en diferencias significativas en sus precios y valor económico. Realizar inspecciones de calidad de los granos de cacahuete en tiempo real, precisas y no destructivas puede aumentar efectivamente la tasa de utilización y el valor comercial de los cacahuetes. Las inspecciones manuales son ineficientes y subjetivas, mientras que la clasificación fotoeléctrica es costosa y menos precisa. Por lo tanto, este estudio propone un algoritmo de detección de calidad del grano de cacahuete basado en un modelo YOLO v5 mejorado. En comparación con otros modelos, este modelo es práctico, altamente preciso, ligero y fácil de integrar. Inicialmente, se eligió YOLO v5 como modelo de entrenamiento fundamental a través de una comparación. Posteriormente, la red de base original fue reemplazada por una red ShuffleNet v2 ligera para mejorar la capacidad del modelo para diferenciar características entre varios tipos de granos de cacahuete y reducir los parámetros. Se introdujo el mecanismo ECA (Atención Eficiente de Canales) en el módulo C3 para mejorar las capacidades de extracción de características, mejorando así la precisión promedio. La función de pérdida CIoU fue reemplazada por la función de pérdida alpha-IoU para aumentar la precisión de detección. Los resultados experimentales indicaron que el modelo mejorado, SEA-YOLOv5, logró una precisión del 98.8% con un recuento de parámetros de 0.47 M y un tiempo de detección promedio de 11.2 ms por imagen. En comparación con otros modelos de detección, hubo una mejora en la precisión, demostrando la eficacia del modelo propuesto de detección de calidad del grano de cacahuete. Además, este modelo es adecuado para implementarse en dispositivos integrados con recursos limitados como terminales móviles, lo que permite la detección en tiempo real y precisa de la calidad del grano de cacahuate.
Descripción
Los cacahuetes son susceptibles a defectos como daños por insectos, roturas, germinación y moho, lo que lleva a diferentes calidades de cacahuetes. La disparidad en la calidad del grano de cacahuete resulta en diferencias significativas en sus precios y valor económico. Realizar inspecciones de calidad de los granos de cacahuete en tiempo real, precisas y no destructivas puede aumentar efectivamente la tasa de utilización y el valor comercial de los cacahuetes. Las inspecciones manuales son ineficientes y subjetivas, mientras que la clasificación fotoeléctrica es costosa y menos precisa. Por lo tanto, este estudio propone un algoritmo de detección de calidad del grano de cacahuete basado en un modelo YOLO v5 mejorado. En comparación con otros modelos, este modelo es práctico, altamente preciso, ligero y fácil de integrar. Inicialmente, se eligió YOLO v5 como modelo de entrenamiento fundamental a través de una comparación. Posteriormente, la red de base original fue reemplazada por una red ShuffleNet v2 ligera para mejorar la capacidad del modelo para diferenciar características entre varios tipos de granos de cacahuete y reducir los parámetros. Se introdujo el mecanismo ECA (Atención Eficiente de Canales) en el módulo C3 para mejorar las capacidades de extracción de características, mejorando así la precisión promedio. La función de pérdida CIoU fue reemplazada por la función de pérdida alpha-IoU para aumentar la precisión de detección. Los resultados experimentales indicaron que el modelo mejorado, SEA-YOLOv5, logró una precisión del 98.8% con un recuento de parámetros de 0.47 M y un tiempo de detección promedio de 11.2 ms por imagen. En comparación con otros modelos de detección, hubo una mejora en la precisión, demostrando la eficacia del modelo propuesto de detección de calidad del grano de cacahuete. Además, este modelo es adecuado para implementarse en dispositivos integrados con recursos limitados como terminales móviles, lo que permite la detección en tiempo real y precisa de la calidad del grano de cacahuate.