Rapid and non-destructive identification of micro-contaminants on eggshell surfaces based on machine vision and deep learning
本研究提出了一种改进的 AEP2-YOLOv8s 模型，该模型集成了 ROI 提取、背景归一化、AIFI 模块、EMA 注意力机制以及四尺度检测架构，旨在实现对蛋壳表面微小污染物的高精度、无损识别，其准确率显著优于原始的 YOLOv8s。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每天，数以百万计的鸡蛋在包装设施的传送带上移动，从农场走向餐桌。在很大程度上，这段旅程是平稳的，但蛋壳表面是一个脆弱的地貌，微小的、近乎看不见的威胁可能会破坏安全性。在产蛋过程中，鸡蛋可能会沾染上少量的粪便、血液或泥土。这些污染物不仅影响美观，而且往往携带危险的细菌，如沙门氏菌，如果处理不当，可能会导致人员生病。几十年来，发现这些微小瑕疵的唯一方法是让一名人工工人观察每一枚鸡蛋，这是一项缓慢且令人疲劳的工作，依赖于工人的视力和注意力。人类会疲劳，注意力会涣散，不可避免地会漏掉一些缺陷，或者将蛋壳上的自然斑点误认为污渍。为了解决这个问题，工程师们转向了机器视觉技术，这种技术利用摄像头和计算机来“观察”并分析世界，希望以机器的速度和受过训练的眼睛般的准确性来实现检测过程的自动化。
然而，挑战在于蛋壳并非一块空白的画布。它拥有自己的自然纹理，即斑点和颜色变化的杂色图案，这看起来与系统试图寻找的实际污染物非常相似。当摄像头捕捉移动中的鸡蛋图像时，背景通常充满了传送带的纹理和不均匀的光照，产生了一种让标准计算机程序感到困惑的视觉噪声。这些程序往往难以区分无害的自然斑点与危险的污渍，导致鸡蛋被不必要地丢弃，或者更糟的是，让危险的鸡蛋溜过检测环节。中国浙江农业 And 科技大学的研究人员致力于构建一个能够穿透这种混乱的系统，创造出一种既快速、温和，又足够精准到可以识别移动中鸡蛋上最小瑕疵的方法。
团队首先通过教计算机如何以不同的方式观察鸡蛋开始了工作。在计算机尝试识别污渍之前，研究人员必须先对它看到的图像进行清理。他们开发了一个隔离鸡蛋与其周围环境的过程，有效地从计算机的视野中抹去了传送带和阴影。通过将背景变为统一的亮白色，系统迫使计算机完全专注于鸡蛋表面本身。这一步至关重要，因为它消除了通常会导致计算机产生困惑的干扰因素。一旦图像经过清理，计算机就能更清晰地看到蛋壳与上面深色斑点之间的对比，使微小的污渍在光滑的白色背景下脱颖而出。
在准备好图像后，研究人员转向了操作的核心：一个旨在识别物体的复杂计算机程序。他们从一个被称为 YOLOv8s 的强大且现代的检测系统开始，该系统以其速度和在图像中寻找目标的能力而闻名。然而，该程序的标准版本并不足以胜任寻找鸡蛋上微观污渍的特定任务。它往往会漏掉极小的斑点，或者将蛋壳的自然纹理误认为是缺陷。为了修复这个问题，研究人员在程序的架构中添加了三个特定的升级。首先，他们添加了一个模块，帮助计算机理解大局，使其能够观察图像中不同部分之间的全局关系。其次，他们引入了一种类似于聚光灯的机制，告诉计算机要格外关注最重要的特征，同时忽略无关的背景噪声。最后，他们添加了一个专门用于捕捉微小目标的特化层，确保即使是最小的尘埃也不会被忽视。
这些综合改进的结果是他们称之为 AEP2-YOLOv8s 的新系统。在对大量真实的鸡蛋图像进行测试时，这个升级后的系统表现得明显优于原始版本。它成功地以高度的准确性识别了污染物，与未修改的模型相比，其寻找正确目标的能力提高了近七个百分点。该系统在区分鸡蛋自然图案与实际污垢方面表现尤为出色，减少了误报。它还能以更高的精度定位污渍，在缺陷周围画出更紧凑的边界。研究人员发现，虽然存在其他类型的注意力机制，但他们选择的特定组合最适合解决这个特定问题，在速度需求与极端准确性的需求之间取得了平衡。
这项工作证明，通过自动化检测鸡蛋而不损坏它们或减慢生产线速度是可能的。通过清理视觉输入并优化计算机聚焦正确细节的能力，研究人员创造了一个能够应对农场环境复杂现实的工具。该系统并不完美；在污渍极其微弱或光照条件困难时，它仍然面临挑战，但它代表了一个重大的进步。研究表明，通过将图像清理与智能、针对性的检测软件升级相结合，我们可以构建出比人类眼睛在发现最小威胁方面更可靠的机器。这种方法为确保到达我们餐桌的鸡蛋既干净又安全提供了一条切实可行的路径，同时保持生产线以现代农业所需的高速运转。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。