基于SFN-YOLO的厌氧消化发酵阶段智能视觉检测方法:提升生物质能源转化效率的新策略
《iScience》:An SFN-YOLO-based detection method for the fermentation stage in the anaerobic digestion process
【字体:
大
中
小
】
时间:2025年12月14日
来源:iScience 4.1
编辑推荐:
本研究针对厌氧消化过程中发酵阶段判定困难的问题,开发了一种基于SFN-YOLO的智能视觉检测方法。通过集成空间特征交互融合金字塔网络(SFIFPN)、聚焦线性注意力机制(FLAtt)和归一化Wasserstein距离(NWD)损失函数,实现了对发酵液颜色和气泡特征的精准识别。实验结果表明,该模型在验证集上精确度达到91.9%,mAP@0.5达到81.1%,显著提升了厌氧消化过程的监测精度和自动化水平,为生物能源管理提供了有效的技术支撑。
在全球能源危机和环境挑战日益严峻的背景下,能源结构转型已成为可持续发展的重要目标。化石能源的逐渐枯竭及其碳排放问题促使各国积极探索绿色低碳能源,特别是可再生能源的开发利用。中国作为世界上最大的发展中国家,拥有丰富的生物质能源资源,其中玉米秸秆作为重要的农业废弃物,含有丰富的有机物,是生物质能源转化的关键原料之一。
厌氧消化技术作为一种处理玉米秸秆废弃物的有效方法,不仅能将有机废弃物高效转化为沼气,还能为发电和供热提供宝贵能源。然而,厌氧消化反应的程度与秸秆分解程度和最终产气量密切相关。由于该过程常常表现出不连续性和不稳定性,仅通过观察产气量变化来判断是否达到最大产气量具有较大挑战性。同时,消化过程中产生的固液副产物可作为生物有机肥再利用,但过度发酵或发酵不足都会导致资源和能源的浪费。
传统依赖人工检测和经验判断的方法不仅繁琐,还易受外界环境因素影响。特别是在需要严格控制温度和氧气浓度等关键参数时,人工检测往往导致实验结果出现偏差,影响整个过程的可靠性和效率。计算机视觉技术以其快速、无损和非接触的优势,在食品腐败检测领域得到了广泛应用,这为厌氧消化过程的监控提供了新的思路。
本研究采用的主要技术方法包括:基于YOLOv8架构改进的SFN-YOLO检测模型,集成空间特征交互融合金字塔网络(SFIFPN)实现多尺度特征增强;聚焦线性注意力机制(FLAtt)强化关键特征提取;归一化Wasserstein距离(NWD)损失函数改进边界框回归性能。实验数据来源于实验室规模的厌氧消化系统,使用Canon EOS700D相机采集2700张发酵过程图像,通过图像增强技术提升模型鲁棒性。
SFN-YOLO是基于YOLOv8改进的先进目标检测模型,专门用于提高气泡特征和溶液颜色检测的准确性和效率。该网络架构包含三个主要部分:骨干网络、颈部和检测头。模型集成了三个关键组件:空间特征交互融合金字塔网络(SFIFPN)、聚焦关键特征的聚焦线性注意力(FLAtt)机制,以及用于稳健边界框回归的归一化Wasserstein距离(NWD)损失函数。
SFN-YOLO使用YOLOv8骨干网络作为模型基础,从输入图像中提取多尺度特征,为准确检测提供关键特征图。骨干网络采用跨阶段局部(CSP)结构,在保持检测精度的同时显著减少通道冗余,有利于特征提取。通过一系列卷积和反卷积层,以及残差连接和瓶颈结构,减小网络规模并提高计算性能。
SFN-YOLO的颈部网络集成了SFIFPN和FLAtt机制,通过上下文特征重用来增强不同尺度特征的交互和融合。通过多层次特征重新融合,有效结合低层细节信息和高层语义信息,使模型在捕捉广泛上下文信息的同时保持高细节度。FLAtt机制通过特征级线性注意力动态聚焦关键元素,进一步优化特征表示,提升模型性能。
SFN-YOLO的检测头使用NWD损失目标检测损失函数,与传统的交并比(IoU)评估方法相比,为边界框回归提供了更可靠的度量。NWD损失考虑了预测边界框和真实边界框之间的分布差异,在处理位置偏差时具有尺度不变性和平滑性。这确保了SFN-YOLO能够准确预测密集气泡区域的边界,即使在边界框部分重叠或尺寸变化的挑战性场景中也能保持稳定性能。
首先对损失函数的平衡因子进行了优化实验,以确定在该数据集上实现最佳检测性能的参数配置。如图2所示,不同的平衡因子和损失函数组合在精确度、召回率和mAP@0.5方面表现出不同的性能。当α=0.4时,模型达到最高整体检测性能,mAP@0.5达到78.7%。在损失函数方面,CIOU-NWD表现出最佳整体性能,与原始CIOU相比,mAP@0.5提高了1.1%,召回率提高了1.2%。
注意力机制性能比较显示,FLAtt实现了最高的精确度(91.9%)、召回率(77.6%)和mAP@0.5(81.1%),表明其具有优越的整体检测性能。通过将特征图展平为向量进行后续提取,FLAtt在增强单像素表示能力的同时有效保留了原始空间细节,提高了模型对像素级信息的利用率,增强了检测鲁棒性。
消融研究结果验证了各模块的增量效果。引入CIOU-NWD使召回率提高1.2%,mAP@0.5提高1.0%,表明改进的损失函数有助于更准确的目标定位。加入SIFFPN后,精确度提高1.6%,召回率提高2.4%,mAP@0.5提高1.6%,仅带来参数和GFLOPs的边际增加。最后加入FLAtt模块获得最佳性能,实现91.9%的精确度、77.6%的召回率和81.1%的mAP@0.5,相比基线模型mAP提升3.4%。
跨阶段检测精度分析显示,在产气早期阶段,检测模型表现出比其他阶段更高的准确性。这是因为在早期阶段,气泡数量较少但尺寸较大,发酵液颜色最浅,便于模型检测和分类。在产气中期阶段,检测精度也非常高,这是由于发酵液颜色更深,气泡数量更多,这两者都有利于模型检测。在产气后期阶段,颜色介于前两个阶段之间,颜色深度变化大且不均匀。气泡更小、更少、更分散,显著增加了检测和分类的难度。但总体而言,改进后的模型对每个类别都实现了最佳检测性能,其中产气后期阶段的改进最为显著。
训练过程分析表明,模型最终达到稳定收敛且没有过拟合。改进的SFN-YOLO模型实现了最高的精确度、召回率和mAP@0.5,证明了模型的有效性和检测准确性。损失变化过程显示,SFN-YOLO模型表现出优异的训练性能,收敛速度更快,模型损失最小。
与主流YOLO检测算法的对比实验结果表明,改进的检测算法SFN-YOLO在最小化检测速度损失的同时保持了最高的检测精度。SFN-YOLO模型实现了91.9%的精确度,比性能最差的faster RCNN模型高25.5%,比性能最好的YOLOv8s模型高3.7%。该模型仅需13.06M参数和29.2 GFLOPs就实现了77.6%的召回率和81.1%的mAP@0.5,同时表现出优异的实时检测能力,延迟仅为10.42毫秒。
为验证基于气泡特征和底层发酵液颜色变化的产气阶段判定准确性,使用测试集进行了视觉检测分析。观察发现,厌氧消化过程中底层发酵液的整体颜色随时间从红棕色变为棕红色再到棕色。玉米秸秆的中上层逐渐变暗,形状更加分散,出现部分沉积。在发酵早期,秸秆碎片产生少量间隙气泡;在发酵中期,气泡聚集且细小,大量白色气泡积聚在发酵液和秸秆之间,而较大的气泡仍存在于上层秸秆碎片的间隙中;在发酵后期,气泡更加分散,尺寸不一,细小的白色气泡减少。
与其他主流算法的检测和分类结果比较表明,SFN-YOLO模型能够准确识别厌氧消化的所有三个阶段。与其它主流算法相比,具有最低的误检率(蓝色)和漏检率(红色)。根据不同检测框的统计结果,SFN-YOLO相比YOLOv10s正确检测数量提高了13.71%,同时误检和漏检分别减少了27.78%和27.7%。其中SFN-YOLO的正确检测率高达84.27%。由于厌氧消化中后期发酵液颜色变化不明显,仅依靠颜色特征进行分类容易导致误判。因此,通过融合上层气泡特征和发酵液颜色检测结果作为最终决策,有效提高了厌氧消化产气阶段的分类准确性。
本研究通过引入SFIFPN实现上下文特征重用,增强了低层细节特征和高层语义特征的融合能力。FLAtt机制利用特征级线性注意力动态聚焦图像中的重要元素。检测头使用的NWD损失目标检测损失函数能够准确预测密集气泡区域的边界,具有尺度不变性和平滑性。
实验证明,提出的SFN-YOLO检测模型在厌氧消化过程发酵阶段的检测和分类方面表现优异。模型保持了低计算复杂度(13.06M参数和29.2 GFLOPs)和快速推理速度(延迟10.42毫秒),同时实现了最高的检测精度:91.9%的精确度、77.6%的召回率和81.1%的mAP@0.5。检测精度比性能最差的faster RCNN模型高25.5%,mAP@0.5提高了25.5%,与性能较好的YOLO系列模型相比仍保持最高的检测性能。
然而,尽管SFN-YOLO在构建的数据集上表现出优越性能,但仍存在一定局限性。在气泡重叠严重或图像对比度低的场景中,由于特征可区分性降低,模型的检测精度会下降。此外,在实际部署环境中,光照条件变化、相机噪声和计算资源限制等因素可能进一步影响检测稳定性和效率。这些局限性表明,未来的工作应重点开发自适应预处理策略,结合对比度增强,并优化模型的轻量化部署,以提高在不同操作条件下的鲁棒性。
该研究的局限性在于跨多场景的泛化能力不足。未来研究将重点构建多模态数据集和开发自适应检测框架,以增强模型泛化能力。通过将视觉特征与生化参数结合进行联合分析,有望推动厌氧消化视觉检测技术向更高精度、更好可解释性和更强工程适用性方向发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号