论文标题：Soybean Seed Classification and Identification Based on Corner Point Multi-Feature Segmentation and Improved MobileViT

论文链接：https://www.mdpi.com/2624-7402/7/10/354

期刊名：AgriEngineering

期刊主页：https://www.mdpi.com/journal/agriengineering

研究背景

大豆作为全球重要的粮食和经济作物，其高效检测与精准分类是提升产业价值的关键。现有方法在实时分选场景下面临挑战：轻量化模型常以牺牲分类精度为代价，难以在复杂生产环境中保持稳定识别；同时模型泛化能力有限，对品种差异的适应性不足，制约了其在育种筛选、商品分级和智能加工中的规模化应用。针对这些问题，来自南京农业大学工学院陈坤杰教授及其团队在AgriEngineering期刊发表了文章，提出了基于角点多特征大豆籽粒分割与改进MobileViT的大豆分类算法。对大豆精确化、智能化检测具有重要意义。

基于角点多特征大豆籽粒分割

研究过程与结果

作者提出了基于角点多特征的大豆籽粒分割算法。通过ORB算法检测出角点作为候选点，随后提取矢量夹角，三角形矢量面积，圆形模块中的黑色像素面积，一阶差分链码作为角点特征。通过LightGBM机器学习模型对角点特征进行学习，筛选出凹点与非凹点。保留凹点。通过凹点匹配算法，匹配相对应的凹点，连接凹点，完成大豆分割，得到单粒大豆。构建完整粒、破碎粒、表皮损伤粒、未熟粒和斑点粒五种类别的大豆数据集。

对MobileViT模型进行了优化，在MobileViT模块采取深度可分离卷积（Depthwise Separable Convolution,DSC）代替普通卷积、维度重构（Transformer Half-Dimension，THD）和动态通道重校准（Dynamic Channel Recalibration，DCR）等方法进行优化，以减少模型参数量并加强通道之间的交互能力；通过在MV2模块中引入CBAM注意力机制并使用Mish激活函数替换ReLU6激活函数的方法，进一步提高模型的特征提取能力与泛化性能，构建出一种新型的大豆籽粒检测模型MobileViT-SD(MobileViT for Soybean Detection)。试验验证结果表明，所提出的MobileViT-SD模型参数量仅为2.09M，对大豆籽粒分类的准确率和F1分数，分别达到98.39%和98.38%，较原始的MobileViT模型分别提升了2.86%和2.88%。比较试验结果显示，MobileViT-SD模型的检测精度和效率，不仅优于几种典型的轻量级模型，也优于目前几种主流的重量级模型。为大豆品质检测提供了全新解决方案。

准确率对比曲线与损失值对比曲线

研究总结

本文提出的基于角点多特征的粘连分割算法，可以快速准确的对粘连大豆籽粒进行分割。所采取的深度可分离卷积代替普通卷积、维度重构、动态通道重校准模块引入以及在MV2模块中增加CBAM注意力机制等优化和改进方法，均可有效提升MoblieViT模型的性能。基于MoblieViT构建的MoblieViT-SD模型，可以对大豆品质进行高精度检测，其检测精度和效率，不仅优于目前典型的轻量级模型，也优于目前几种主流的重量级模型。其具有高度优化的轻量化架构、高效的推理能力以及低资源消耗特性，可完美应用于边缘计算设备等算力受限的应用场景。

AgriEngineering期刊介绍

主编：Prof. Dr. Francesco Marinello，Department of Land, Enviroment, Agriculture and Orestry, University of Padova, 35020 Legnaro, Padova, Italy

期刊聚焦聚焦农业工程及交叉领域，下设8个专题，涉及精准农业、农业人工智能与计算机技术、采前采后工程、农业遥感、畜牧技术、农业机械与设备、灌溉工程、农业生物工程与技术等方向。

订阅期刊最新资讯：https://www.mdpi.com/journal/AgriEngineering/toc-alert