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。該團隊由權龍哲教授帶領，研究方向就是人工智能技術在農(nóng)業(yè)的應用。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)。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。

目前，基于機器視覺的分揀系統(tǒng)主要集中在對單側表面的識別上。該團隊設計并開發(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。采用交替旋轉機構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的平臺上通過旋轉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，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)種子相關的分類問題。考慮到分揀機的運行效率，后續(xù)研究如何提高網(wǎng)絡模型的推理速度將是非常有意義的。”

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】歡迎添加關注!文章轉載請注明出處。

審核編輯：湯梓紅