大豆是世界上主要的油料作物之一，是生產(chǎn)蛋白質(zhì)和油的主要原料。它們在世界各地廣泛種植，通常用于制作豆制品。為了保證大豆產(chǎn)量的持續(xù)增長，需要更多的優(yōu)質(zhì)種子來種植。因此，有效地篩選優(yōu)良的大豆種子是非常重要的。除了種子的大小、形狀和顏色特征外，表面完整性、物理損傷、昆蟲損傷、真菌感染和霉菌也是用于評估的額外因素。準確分選優(yōu)質(zhì)大豆種子是提高大豆產(chǎn)量的關(guān)鍵!

針對這個課題，來自東北農(nóng)業(yè)大學工程學院的一個團隊發(fā)表了一篇名為《基于深度學習的大豆種子全表面缺陷實時識別系統(tǒng)》的論文。該團隊由權(quán)龍哲教授帶領(lǐng)，研究方向就是人工智能技術(shù)在農(nóng)業(yè)的應(yīng)用。在論文中，他們仔細闡述了一種基于深度學習的大豆種子全表面識別分選系統(tǒng)?？勺鳛榇蠖狗N子精密分選的有效工具。為不同尺度橢球缺陷種子的全表面檢測提供了一種方法。

目前，基于機器視覺的分揀系統(tǒng)主要集中在對單側(cè)表面的識別上。該團隊設(shè)計并開發(fā)了一種基于深度學習的大豆種子全表面識別分選系統(tǒng)。系統(tǒng)原型如下：

這套大豆種子分選機可實現(xiàn)一次分選、整列傳動和交替旋轉(zhuǎn)的功能。視覺系統(tǒng)中的兩個工業(yè)數(shù)字相機(ccd)連接到兩個Jetson Nano開發(fā)板，該開發(fā)板對采集的圖像進行推理和分類。ccd的拍攝角度垂直向下，距大豆種子150mm。STM32F429芯片控制0.4m/s的傳輸速度，輸出數(shù)字信號控制電磁鐵的開閉。Jetson Nano和控制箱使用串行端口進行信息通信。

團隊建立了一個由6480幅圖像組成的大豆種子數(shù)據(jù)集;在不同的亮度和表面條件下，從多個類別采集圖像，并對數(shù)據(jù)圖像進行掩蔽。采用交替旋轉(zhuǎn)機構(gòu)揭示種子的全表面特征信息，采用深度學習模型對種子精確分為六種表面。

在三種亮度環(huán)境和六種表面條件下采集并掩蔽圖像，量化大豆種子的缺陷尺度。團隊對七種CNN模型進行了比較和測試，并對模型進行了改進，取得了最佳的綜合性能。利用可視化技術(shù)評價不同模型對大豆種子缺陷的識別性能，并根據(jù)識別結(jié)果對模型進行優(yōu)化，實現(xiàn)對不同尺度下大豆種子缺陷的準確分類。

大豆種子圖像在一個交替旋轉(zhuǎn)的平臺上每隔35ms采集一次，然后發(fā)送到Jetson Nano開發(fā)板上進行分類。大豆種子在交替旋轉(zhuǎn)的平臺上通過旋轉(zhuǎn)可以揭示出種子的全部六類表面信息，為利用視覺系統(tǒng)對種子進行綜合評價提供了條件。

測試過程表明，在中等亮度條件下，所有模型的精度最高。MobileNetV2改進模型在掩蔽數(shù)據(jù)集中的分類準確率達到97.84%。改進的MobileNetV2網(wǎng)絡(luò)模型可以實現(xiàn)對不同尺度的大豆種子的精確分類。

利用NVIDIA Jetson Nano強大的計算能力，推理速度可以達到35fps，實現(xiàn)了大豆全表面的實時識別。值得一提的是，團隊選擇了改進的MobileNetV2，利用TensorRT-FP16 precision優(yōu)化網(wǎng)絡(luò)，以便在Jetson Nano開發(fā)板上實現(xiàn)最大的推理效果，從而達到設(shè)計要求。

本文提出的分選系統(tǒng)可實現(xiàn)高精度、低成本的應(yīng)用，總分選精度達98.87%，分選速度達222粒/min。該方法可作為大豆種子精密分選的有效工具。為不同尺度橢球缺陷種子的全表面檢測提供了一種方法。

對于接下來的開發(fā)工作，權(quán)龍哲教授表示：“在未來的研究中，我們計劃為多種類型的種子開發(fā)一個合適的數(shù)據(jù)集。這項工作將有助于解決與其它農(nóng)業(yè)種子相關(guān)的分類問題?？紤]到分揀機的運行效率，后續(xù)研究如何提高網(wǎng)絡(luò)模型的推理速度將是非常有意義的?！?/p>

原文標題：NVIDIA Jetson Nano如何幫助提高大豆產(chǎn)量?

文章出處：【微信公眾號：NVIDIA英偉達】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅