- 宋天平;
随着粮食工业行业智能化进程的推进,对水稻种子缺陷检测的效率和速度要求日益提升。针对水稻种子目标较小、数量密集、存在遮挡等难点,提出了基于RTMDet改进的Rice-RTMDet模型,该模型能够实现高效、准确的端到端密集小目标缺陷检测。该模型引入基于区域注意力机制的模块和优化损失函数设计,提升了在复杂环境下的密集小目标缺陷检测能力,并通过精简特征融合实现了模型的轻量化。实验结果表明,改进的RTMDet模型仅需1.5 M参数量,mAP(均值平均精度)和AR(平均召回率)即可分别达到97.6%和98.8%。该方法在检测多品种混杂样本,部分遮挡样本,破损、虫噬和发霉的缺陷样本时,均展现出良好的检测效果和鲁棒性,为粮食工业智能化提供了技术支持。
2025年04期 No.305 1-9页 [查看摘要][在线阅读][下载 1241K] - 叶琛;文国知;
针对工厂加工的莲子不同成熟度以及不同品质相互混杂的问题,提出了一种基于改进YOLOv10n的莲子分类检测算法YOLOv10-Lotus。该算法引入LSKA注意力机制,与主干网络SPPF模块相结合,针对莲子表面的细微特征进行优化,提升网络的特征提取能力;引入DySample上采样模块代替原来的上采样模块,为模型提供轻量且高效的采样能力;采用MPDIoU损失函数代替CIoU损失函数,提升边缘检测框的检测性能。在莲子数据集上进行实验验证,结果表明,YOLOv10-Lotus的mAP达到95.1%,精确度、召回率分别为89.6%、87.8%,权重大小为6.4 MB。与原模型YOLOv10n相比,YOLOv10-Lotus的mAP、精确度、召回率分别提升了3.3%、4%、4.7%,FPS达到178.1帧/s。提出的YOLOv10-Lotus能够实现精准检测分类,为莲子检测提供一种有效方法。
2025年04期 No.305 10-16页 [查看摘要][在线阅读][下载 1038K] - 刘丽;韩睿;
在传统水资源监测中,通常采用人工采样与实验室分析手段、固定阈值传感器组网体系以及标准机器学习模型应用等方法,这些技术存在响应延迟较高、测量精度有限及海量数据处理效率低等问题。为此,研究设计了一套融合物联网架构与改进反向传播神经网络(BPNN)技术的水环境智能监测系统,其中构建的水质监测优化模型展现出显著的自适应特性。该模型的技术创新点为:采用自适应学习率机制来优化BPNN权重的更新,数据经过清洗、归一化和时空对齐来提升其质量,再利用非线性建模方法解析水质参数间的复杂关系。实验结果表明:改进后的BPNN模型在150次迭代内完成收敛,相比传统训练效率提升50%,水质分类准确率达98%,误判率低于2%,系统在20米组网范围内丢包率仅为2%,支持实时数据传输与历史回溯分析。该系统在滇池水域的部署中实现了水质类别的精准判别,评价结果与实际监测一致,为水资源管理提供高效、智能化的技术支撑。
2025年04期 No.305 17-24页 [查看摘要][在线阅读][下载 1023K]