Detection and Tracking Method for Walnuts in a Walnut Sorting Device Based on Improved YOLOv8n+DeepSORT

在农业领域，核桃分选是一项既要求速度又要求敏锐眼力的任务。几个世纪以来，农民和加工商一直依赖人工或简单的机械筛网来区分好核桃与坏核桃。这些传统方法虽然有效，但速度较慢，且往往会忽略隐藏在坚硬外壳深处的细微缺陷。为了在不破开外壳的情况下观察内部情况，工程师们转向了 X 射线成像技术。这项技术对于任何去过医院的人来说都不陌生，它利用不可见的辐射穿透固体物体，在屏幕上呈现其内部密度和结构。当与现代计算机视觉相结合时，这些 X 射线图像可以由软件进行分析，该软件通过学习识别模式，从而将饱满健康的核仁与干瘪或空心的核仁区分开来。然而，挑战在于如何让这一过程足够快，以应对传送带上连续且混乱流动的核桃流。计算机不仅要识别每一颗核桃，还要追踪其在每一时刻的移动，确保即使在与其他核桃发生碰撞挤压时也能进行正确的分类。

新疆大学的研究人员通过开发一种新系统解决了这一特定问题，该系统旨在观察并分选工业分选机中移动中的核桃。他们的目标是创造一只“数字眼”，既要有足够的锐度来观察精细的内部细节，又要足够快以跟上工厂生产线的节奏。他们从一种用于寻找图像中目标的强大现有工具——一种被称为神经网络的深度学习技术——入手，并针对核桃 X 射线的独特挑战对其进行了专门优化。在实验中，他们向系统输入了数千张核桃的 X 射线图像，涵盖了从完全饱满到完全空心的各种情况，以此教导软件识别辐射穿过外壳及内部核仁时产生的细微差异。

其解决方案的核心包含两个协同工作的部分。第一部分是检测器，它扫描 X 射线图像以寻找每颗核桃并判定其质量；第二部分是追踪器，它跟踪每颗核桃在传送带上的移动，为其分配唯一的身份标识，以便机器知道将其投入哪个料箱。研究人员发现，这些工具的标准版本并不够理想。核桃的 X 射线图像通常对比度较低，导致内部细节看起来模糊不清，且标准软件在核桃移动过快或彼此过于靠近时，有时会丢失目标。为了解决这个问题，团队对检测软件进行了三项具体的改进：首先，他们添加了一种新的注意力机制，帮助计算机专注于核桃内部最重要且分散的细节，同时忽略干扰性的背景；其次，他们用一种更动态的方法取代了标准的图像放大步骤，这种方法能够保留核桃平滑的边缘和纹理，防止图像变得块状化或失真；最后，他们精简了合并不同层级信息的系统部分，通过消除不必要的计算来提高整体处理速度，且不损失精度。

对于追踪组件，研究人员改变了软件判断两帧图像中的核桃是否属于同一物体的逻辑。他们不再仅仅依赖于形状的重叠程度，而是引入了一种同时考虑形状中心距离的方法。这一微小的调整在核桃拥挤或部分遮挡时显得至关重要，因为它帮助系统保持对单个核桃的稳定锁定，防止系统意外交换身份或完全丢失目标。当他们将改进后的系统与原始版本进行对比测试时，结果非常明确。新检测器识别核桃的准确率显著提高，捕捉到了更多细微缺陷，且误报更少。其处理速度达到了每秒 412 帧，足以应对真实生产线的快速流动。追踪系统也得到了提升，减少了计算机丢失目标或将一个核桃误认为另一个核桃的情况。

这项研究表明，通过针对 X 射线成像的物理特性以及核桃在传送带上的运动行为对这些数字工具进行精细调优，实现原本依赖人类判断的任务是完全可能的。改进后的系统不仅能找到核桃，还能以传统机器无法比拟的精度理解其运动轨迹及其内部品质。这项工作为核桃加工业指明了方向，在这一行业中，速度与质量同样至关重要。通过证明这些先进算法可以适应工厂车间复杂且真实的实际环境，研究人员为更高效、更可靠且自动化的核桃（以及其他类似农作物）分选提供了一份蓝图。研究结果表明，农业分选的未来不仅在于更快的机器，更在于更智能的软件——它们能看到人类肉眼可能忽略的细节，并记住人类双手可能遗忘的信息。