在模拟输送条件下,利用机器视觉检测储存的含油原材料中的可见霉菌
《Journal of Stored Products Research》:Machine vision for visible mold detection in stored oil-bearing raw materials under simulated conveying conditions
【字体:
大
中
小
】
时间:2026年05月26日
来源:Journal of Stored Products Research 2.8
编辑推荐:
陶希龙|曹丽军|张文强|侯宝兰|焦志成河北科技师范学院数学与信息技术学院,秦皇岛,066004,中国摘要储存后的含油原材料在加工或分选之前可能会出现明显的霉菌相关劣化,这会降低原材料的利用率,影响加工适用性,并增加前端质量管理的难度。为了支持快速的无损筛查,本研究开发了一种基于机
陶希龙|曹丽军|张文强|侯宝兰|焦志成
河北科技师范学院数学与信息技术学院,秦皇岛,066004,中国
摘要
储存后的含油原材料在加工或分选之前可能会出现明显的霉菌相关劣化,这会降低原材料的利用率,影响加工适用性,并增加前端质量管理的难度。为了支持快速的无损筛查,本研究开发了一种基于机器视觉的方法,用于在模拟输送条件下检测储存的花生、玉米粒和大豆中的可见霉菌。收集了在自然储存条件下形成的正常外观和明显发霉样本的图像,并构建了一个六类对象检测数据集OOSD-6。为了考虑输送和筛查过程中常见的成像干扰,引入了光照变化、背景替换、场景重组和运动模糊增强等技术。基于YOLO11,开发了一种改进的检测模型METW-YOLO,用于多类可见霉菌的检测。在验证集上,METW-YOLO的精确度(Precision)、召回率(Recall)、mAP@0.5和mAP@0.5:0.95分别为95.36%、95.82%、98.05%和95.90%,相比基线YOLO11分别提高了2.13%、2.53%、1.66%和1.82%。结果表明,METW-YOLO在构建的数据集和模拟的输送相关干扰条件下提高了检测性能。所提出的方法为在加工或分选前识别明显发霉样本提供了一种潜在的视觉预筛查方法,并可能支持储存后含油原材料的前端质量管理。
引言
含油原材料是食用油加工及相关食品工业的重要原料,其储存条件直接影响后续的加工质量、原材料利用率和产品稳定性(Ramos等人,2026年;Wu等人,2022年)。像花生、玉米和大豆这样的大宗含油原材料在收获后的储存过程中容易因温度和湿度的变化、微生物污染以及环境变化而发霉,表现为外观上的变化,包括颜色异常、表面附着物、质地退化和局部损伤(El-Beltagi等人,2026年;Alegbeleye等人,2022年)。与早期或新鲜污染时常见的轻微霉菌相比,自然储存过程中形成的可见霉菌通常表现为颜色变暗、灰色或深棕色附着物以及局部退化特征,这些特征容易与原材料的固有质地、污渍或表面缺陷混淆(Yang等人,2025年;Deng等人,2022年;Arias等人,2024年)。这种劣化不仅降低了原材料的商业价值和加工适用性,还增加了后续加工步骤中的质量和安全风险(Zeshan等人,2024年;Alconada和Moure,2022年)。因此,在原材料进入加工或分选之前建立一种快速且无损的可见霉菌检测方法具有实际意义。
在这种情况下,机器视觉凭借其非接触、无损、高通量和易于集成的特点,为储存后含油原材料的前端筛查提供了可行的技术解决方案(Mesías-Ruiz等人,2026年;R等人,2025年;Haydar等人,2025年)。随着深度学习的发展,基于卷积神经网络(CNN)的视觉检测方法在农产品的外观缺陷识别、病虫害检测和质量评估等任务中显示出巨大潜力。Zhao等人结合了高光谱成像和混合卷积网络来分类小麦品种(Zhao等人,2022年);Dhar等人应用了优化的CNN进行番茄早疫病的实时检测和严重程度分级(Dhar等人,2025年);Fang等人提出了Pest-ConFormer模型用于大规模作物病虫害的识别(Fang等人,2024年)。与传统的图像分类或分割方法相比,对象检测同时结合了目标定位和类别区分,更适合在线快速筛查输送或分选过程中的储存后原材料(Gao等人,2025年)。在这些方法中,YOLO系列模型由于其平衡的检测准确性和推理速度而在农业质量和安全研究中得到了广泛应用。例如,Dong等人将改进的YOLOv8与ByteTrack结合用于山茶果实的检测和产量估计(Dong等人,2025年);Cai等人利用改进的YOLOv7同时检测柑橘的内部和外部缺陷(Cai等人,2025年);Liu等人应用改进的YOLOv9进行大豆种子的表面缺陷检测(Liu等人,2025年)。然而,现有方法在跨多种含油原材料统一检测可见霉菌方面仍面临挑战,包括跨品种的泛化能力不足、对局部细微异常特征的表示不够充分以及适应复杂场景的能力有限(Upadhyay等人,2025年;Wang等人,2025年;Dubey等人,2025年)。特别是在输送和筛查条件下,光照变化、背景干扰和运动模糊会削弱霉菌区域的纹理、颜色和边界信息,从而增加识别和定位小规模或形状不规则霉菌目标的难度(He等人,2025年;Duan等人,2025年;Jiang等人,2022年)。
为了解决上述挑战,本研究提出了一种适用于模拟输送和筛查场景的多种含油原材料可见霉菌的无损视觉检测方法。该方法旨在满足在收获后储存期间对花生、玉米和大豆中可见霉菌进行快速筛查的实际需求。首先,收集了在自然储存条件下形成的正常和发霉样本,构建了一个多品种统一的检测数据集。其次,设计了针对前端筛查过程中常见成像干扰(包括光照变化、背景干扰和运动模糊)的特定场景数据增强策略,提高了模型对复杂输送条件的适应性。最后,对YOLO11框架进行了针对性改进,开发了METW-YOLO模型,实现了对多种含油原材料中正常和发霉目标的统一高效检测。本研究旨在为储存后含油原材料的快速前端筛查、分选辅助和质量控制提供技术支持。
本研究的主要贡献如下:
- 1.
基于在自然储存条件下形成的样本,构建了一个用于储存后含油原材料可见霉菌筛查的六类对象检测数据集,为多种油籽品种的无损视觉检测研究提供了数据基础。
- 2.
提出了一种基于场景的增强策略,用于储存后条件下的前端筛查,模拟了输送和分选过程中的典型成像干扰(包括光照变化、背景变化和运动模糊),从而提高了模型在复杂场景中的鲁棒性和泛化能力。
- 3.
检测框架得到了特别改进,实现了对多种储存后含油原材料中正常和发霉目标的高精度和快速检测,为原材料进入加工或分选之前的快速筛查和分选辅助提供了可行的解决方案。
章节片段
实验材料和图像采集
选择花生、玉米粒和大豆作为实验材料,因为它们是常见的收获后原材料,具有不同的形状、表面纹理和储存相关的劣化特征。这些样本来自自然储存的家庭材料,而不是人工接种或实验室控制的霉菌诱导实验。因此,本研究中考虑的霉菌症状代表了自然发展的可见劣化。
消融研究和分析
在储存后含油原材料的可见霉菌前端筛查任务中,METW-YOLO在参数数量相对较少且计算成本可接受的情况下实现了改进的检测性能。如表2所示,最终模型有221万个参数,计算成本为8.2 GFLOPs,精确度(Precision)、召回率(Recall)、mAP@0.5和mAP@0.5:0.95分别为95.4%、95.8%、98.1%和95.9%。这些结果表明,该模型能够区分正常
讨论
在加工或分选之前快速识别储存后含油原材料上的可见霉菌具有实际意义。与静态条件下的图像分类任务相比,本研究关注的是由于光照变化、背景干扰和运动模糊在模拟输送和筛查过程中引起的识别不稳定性。因此,该研究针对储存后原材料前端预筛查场景中的无损、快速检测
结论
本研究解决了在收获后储存期间对花生、玉米粒和大豆中可见霉菌进行快速视觉筛查的需求。开发了一种基于外观的可见霉菌检测的无损对象检测方法,适用于实验室和模拟输送相关条件。使用从自然储存材料中收集的正常外观和明显发霉样本构建了一个六类数据集OOSD-6。为了提高适应性
CRediT作者贡献声明
陶希龙:撰写——原始草稿、可视化、方法论、概念化。曹丽军:撰写——审阅与编辑、监督、形式分析。张文强:可视化、数据管理。侯宝兰:方法论、数据管理。焦志成:撰写——审阅与编辑、数据管理。
提交声明
本手稿中描述的工作尚未发表,也没有在其他地方接受发表考虑。提交已获得所有作者和相关机构的批准(如适用)。
关于写作过程中生成式AI和AI辅助技术的声明
在本研究和手稿准备过程中,作者使用ChatGPT(OpenAI,GPT-5.2)协助生成了少量非目标管道背景图像,用于第2.2.2节中的训练数据增强(场景重组和背景替换增强)。这些生成的背景用于模拟输送带颜色和材料的变化,从而减少了控制数据采集条件与现实世界之间的差异
资助
本工作得到了河北农业数据智能感知与应用技术创新中心开放基金项目 [资助编号 ADIC2023Y001、ADIC2024Y004、ADIC2025Y007]的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
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