《Current Research in Food Science》:An Efficient Deep Learning Approach for Rapid Starch Particle Size Analysis
编辑推荐:
淀粉颗粒粒径的精确测量对食品工业中的质量控制至关重要。本研究开发了一种基于改进YOLOv8n网络的、用于淀粉颗粒快速检测与分析的图像检测方法。该模型引入了P2小目标检测层、简单注意力模块(SimAM)以及Wise Intersection over Union
淀粉颗粒粒径的精确测量对食品工业中的质量控制至关重要。本研究开发了一种基于改进YOLOv8n网络的、用于淀粉颗粒快速检测与分析的图像检测方法。该模型引入了P2小目标检测层、简单注意力模块(SimAM)以及Wise Intersection over Union v3(WIoU3)损失函数,以平衡分割精度与计算效率。实验结果表明,改进模型的mAP@0.85达到93.31%,较基线模型提高3.50个百分点,同时参数量减少约32.8%,并在RTX 3080图形处理器(GPU)上实现了每幅图像2.4 ms的推理时间。与若干轻量化模型相比,改进模型在保持相对较低模型复杂度的同时,表现出更高的边界敏感型分割精度。与激光粒度分析仪(LPSA)的比较显示,在中位粒径D50方面相对误差为1.85%,且在测试条件下粒径分布趋势相似。此外,该方法还实现了颗粒圆度的定量分析,显示不同图像集规模下在0.85附近均存在一致峰值。总体而言,所提出的方法为淀粉颗粒表征提供了一种快速的图像检测路径,并显示出在食品相关应用中进行粒径与形貌分析的潜力。
该论文发表于《Current Research in Food Science》,聚焦于食品工业中淀粉颗粒粒径快速测量这一关键问题。淀粉是植物经光合作用合成的主要碳水化合物,也是食品、饲料和医药工业广泛利用的重要储能物质。淀粉颗粒的粒径及其分布显著影响吸水性、糊化行为以及终产品的质构与营养品质,因此实现准确、快速且可重复的粒径测定,对于食品质量控制与加工优化具有重要意义。传统筛分法、沉降法等测量方法通常费时费力,难以满足高通量分析需求;激光衍射等现代仪器虽然精度较高,但设备成本高、样品前处理复杂,且难以提供颗粒形貌信息。随着机器视觉与深度学习的发展,基于图像的颗粒检测与分析成为兼具效率、成本和自动化优势的替代路径。然而,针对微米尺度淀粉颗粒的研究仍面临边界对比弱、颗粒黏连严重、形态差异大等难题,现有模型在兼顾分割精度、轻量化和实用测量可靠性方面仍存在不足,因此开展本研究具有明确的方法学和应用价值。
为解决上述问题,研究人员构建了一种改进YOLOv8n实例分割框架,用于显微图像中的玉米淀粉颗粒快速分割、粒径估算及形貌分析。研究以商业玉米淀粉为实验材料,采集958幅高分辨率显微图像,来自多个独立制备的载玻片视野,并对22,759个颗粒进行人工多边形标注,其中250幅图像作为独立测试集。研究结论表明,所提出模型通过引入P2小目标检测层、SimAM注意力机制和WIoU3损失函数,在边界敏感分割精度、模型复杂度与推理效率之间取得了较优平衡;同时,该方法在D50和粒径分布方面与激光粒度分析仪(LPSA)结果具有较好一致性,并可进一步量化颗粒圆度等形貌参数,显示出在食品粉体快速分析中的应用潜力。
研究采用的主要技术方法包括:基于生物显微镜和工业相机构建图像采集系统,对0.5%(w/w)玉米淀粉悬浮液进行显微成像;通过灰度化与双边滤波进行图像预处理;使用Labelme对颗粒轮廓进行人工多边形标注;在YOLOv8n基础上构建包含P2检测头、SimAM和WIoU3的改进实例分割模型,并在统一硬件与超参数条件下开展注意力机制比较、损失函数比较、消融实验及跨模型对比;基于空间标定因子将像素测量转换为实际尺寸,并利用250幅独立测试图像进行粒径及圆度分析,同时以LPSA作为参照进行验证。
在研究结果方面,论文主体按照多个小节系统展示了模型设计与验证结果。
3.1. Effect of Attention Mechanisms
研究人员比较了SA、CBAM、GAM与SimAM四种轻量化注意力模块对淀粉颗粒分割性能的影响。结果显示,SimAM在综合性能上表现最佳,获得97.82%的召回率、97.33%的F1-score和90.94%的mAP@0.85。相较基线模型,SimAM使mAP@0.85提升1.13个百分点,同时参数量略有下降。该结果说明,基于能量函数评估神经元重要性的SimAM能够在不显著增加参数负担的前提下,同时增强空间与通道维度上的特征表达,尤其有利于黏连颗粒边界和目标相关区域的表征,并抑制背景干扰。
3.2. Performance of WIoU Loss Function
在边界回归损失函数比较中,研究人员评估了WIoU1、WIoU2和WIoU3三种变体。结果表明,WIoU3取得最高mAP@0.85,为90.55%,高于WIoU1和WIoU2,且在5个随机种子重复实验中表现出更稳定的边界敏感性能。研究据此指出,WIoU3通过动态聚焦机制,根据样本定位质量自适应调节梯度权重,从而降低一般样本对优化的主导作用,更有效关注小颗粒、遮挡颗粒和严重黏连颗粒等困难样本,提高了训练稳定性与定位精度。
3.3. Ablation Study on Integrated Components
消融实验系统评估了P2检测头、SimAM和WIoU3三个模块的独立与联合贡献。结果显示,在单模块中,P2替换带来的提升最为显著,使mAP@0.85由89.81%提高至92.22%,同时由于替换掉原有P5检测头,参数量反而减少。SimAM和WIoU3也分别改善了边界敏感分割表现。双模块组合均较单模块进一步提升,说明三者具有互补效应。最终整合模型取得最高的mAP@0.85(93.31%)和mAP@0.5:0.95(87.92%),且平均结果在多随机种子下保持稳定。粒子级评价指标进一步证实,整合模型具有最高Mask IoU(M-IoU,掩膜交并比)、Boundary F-score(BF,边界F值),以及最低Hausdorff distance(HD,豪斯多夫距离)和Equivalent diameter error(EDE,等效直径误差),表明性能提升不仅体现在整体mAP上,也反映为更精确的颗粒轮廓描绘和粒径相关分割质量。
此外,训练曲线比较表明,改进模型在训练过程中始终保持更高的mAP@0.85和更低的验证损失。代表性图像可视化结果显示,在图像复杂度逐渐升高、颗粒黏连增强的情况下,改进模型能够减少漏检和误检,边界定位更加准确。定量分析进一步显示,相比基线模型,改进模型在不同测试案例中的F1-score提高4.3%–6.2%,IoU提高8.4%–11.4%,说明其在复杂颗粒黏连和边界模糊场景下具有更强鲁棒性。
3.4. Comparison with Other Segmentation Models
研究人员将改进YOLOv8n与YOLOv5n、YOLOv7n、YOLOv8s和YOLOv11n等主流轻量化分割网络进行了比较。结果表明,改进模型的mAP@0.85达到93.31%,分别高于上述模型15.55、15.59、3.50、1.17和1.10个百分点;其mAP@0.5:0.95也为所有比较模型中最高。在效率方面,模型参数量为2,107,043,较原始YOLOv8n减少32.8%,低于YOLOv11n、YOLOv7n和YOLOv8s;推理时间为2.4 ms/图像,与YOLOv8n和YOLOv8s相近,仅略慢于YOLOv11n。该结果说明,所提出模型在分割精度、模型复杂度和推理速度之间实现了较优折中。
3.5. Starch Particle Size Measurement
为验证分割结果在实际粒径测量中的可用性,研究人员利用独立测试集中的250幅图像提取颗粒面积、周长、等效直径等几何参数,并与LPSA测量结果进行比较。结果显示,所提方法在D50上的相对误差为1.85%,面积均值粒径和长度均值粒径的相对误差分别为4.95%和5.56%,全部低于6%。重复测量中的标准差较小,说明在测试条件下该图像法具有较好的重复性。研究同时指出,图像法结果略偏大,主要可能来源于两类方法在边界定义和测量原理上的差异:图像法沿可见外光学轮廓进行标注与测量,而LPSA基于光散射信号推算等效粒径。
3.6. Validation of Particle Size Distribution
在粒径分布验证中,图像法与LPSA所得累计分布曲线和区间分布曲线整体趋势一致,概率分布峰值均位于15–18 μm范围,说明该方法能够较快反映样品的粒径分布特征。与此同时,研究人员也指出两者存在细微差异:图像法的区间分布略向较大粒径方向偏移,且峰形更尖锐。这与前述平均粒径轻微正偏差一致,也反映了二维分割掩膜法与激光散射法在数据获取和尺寸定义上的本质差别。因此,分布比较应理解为不同测量途径之间的一致性评估,而非完全等价验证。
3.7. Analysis of Particle Circularity
除粒径参数外,所提方法还能定量评价传统激光衍射难以获得的颗粒圆度。结果显示,玉米淀粉颗粒的圆度主要集中在0.8–0.9之间,并在0.85附近存在明显峰值;这一分布在50幅、150幅和250幅图像三个数据规模下保持一致,表明圆度测量具有较好的稳定性和重复性。研究指出,圆度可作为反映形状规则性的关键参数,为理解淀粉颗粒的流动性、分散性、质构和溶解性等功能特征提供补充信息,也为后续形貌—功能关系研究提供参考。
综合讨论部分可见,本研究的核心贡献在于:并非仅追求分割精度提升,而是将显微图像实例分割、粒径定量测量和形貌表征有机结合,验证了边界敏感型深度学习分割在食品颗粒分析中的可行性。研究表明,P2检测头强化了小颗粒和浅层边缘信息提取,SimAM改善了目标区域响应,WIoU3提升了复杂黏连场景下的定位稳定性,三者共同实现了更准确的颗粒轮廓提取。与此同时,研究也保持了较低模型复杂度和较高处理速度,使其具备潜在的快速检测应用价值。论文同时审慎指出,该方法目前主要在特定玉米淀粉、特定成像系统和实验条件下完成验证,其对其他淀粉种类、食品粉体和多样化采集条件的适用性仍需进一步验证。
研究结论部分可译为:本研究开发了一种基于改进YOLOv8n架构的淀粉颗粒快速检测与分析方法。通过整合P2小目标检测层、SimAM注意力机制和WIoU3损失函数,所提出模型显著提升了分割精度。其mAP@0.85达到93.31%,较基线模型提高3.50%,同时参数量约减少32.8%,FLOPs降低18.5%,GPU显存占用降低8.1%,吞吐率提高至421 FPS,且在RTX 3080 GPU上的单幅图像推理时间为2.4 ms,体现出较优的精度—效率平衡。在粒径测量验证中,该方法在测试条件下的D50及粒径分布曲线方面与LPSA表现出较好一致性,所有指标相对误差均低于6%,支持了测量结果的可行性。除粒径信息外,该图像法还可量化颗粒圆度等激光衍射通常无法提供的形貌描述符,从而为淀粉颗粒表征提供补充信息。总体而言,本研究在所考察实验条件下提供了一种用于玉米淀粉颗粒表征的图像分析方法,显示出在淀粉质量监测和粒径分析中的应用潜力。但其对其他淀粉类型、食品粉体和成像系统的适用性仍需借助更丰富数据集和采集条件进一步验证。未来研究将探索包括三维(3D)形貌重建在内的先进成像策略,以改进复杂颗粒堆叠分析,并开展端到端时延分析与边缘设备验证,以进一步评估该方法的实际应用可行性。