近日，茶葉所加工團隊在Food Research International（中科院一區(qū)Top，IF=7.0）上發(fā)表了題為“Impurity detection of premium green tea based on improved lightweight deep learning model”的研究論文。
茶葉在采摘和加工過程中，易混入茶梗、茶果、碎石等雜質(zhì)，影響茶葉口感和質(zhì)量安全，需對雜質(zhì)進行揀剔除雜，能夠提升茶葉價值。高端名優(yōu)綠茶的雜質(zhì)主要依靠人工揀剔，其成本高、勞動強度大，是茶葉精制中質(zhì)量與成本控制的瓶頸環(huán)節(jié)。
針對這一產(chǎn)業(yè)技術難題，本研究提出一種基于深度學習的輕量化名優(yōu)日照綠茶的雜質(zhì)智能檢測方法。在含有茶梗、瓜子殼、碎石及茶果等多類雜質(zhì)的數(shù)據(jù)集上實驗YOLOv8n，s，m，l，x模型，對比實驗結(jié)果，選擇YOLOv8n模型作為基礎模型，YOLOv8l模型作為教師模型。通過對基礎模型更換損失函數(shù)為MPDIoU、主干部分更換輕量化卷積模塊ADown、模型剪枝及知識蒸餾，實驗結(jié)果表明，改進模型的GFLOPs、Parameters、P、R、mAP、FPS分別為4.2、791966 B、0.9379、0.8959、0.9484、1362.7，相比原模型，P、R、mAP、FPS分別提高0.0216、0.0320、0.0261、368.0，GFLOPs、Parameters分別降低3.9（48.15%）、2214462 B（73.66%），改進模型在檢測性能提升的同時，降低了復雜度，滿足名優(yōu)綠茶雜質(zhì)檢測分揀要求，為名優(yōu)綠茶中雜質(zhì)的智能化分揀提供了技術支持。
山東省農(nóng)業(yè)科學院茶葉研究所為第一完成單位，茶葉所董春旺研究員為第一通訊作者，石河子大學聯(lián)培博士生丁澤中為第一作者，該研究得到山東省重點研發(fā)項目（2023CXGC010702, 2023LZGCQY015）、濟南市農(nóng)業(yè)科技攻關項目（GG202415）和山東省現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術體系（SDAIT19）的資助。（撰寫：陳之威 核稿：董春旺）
文章鏈接：https://doi.org/10.1016/j.foodres.2024.115516。
日期：2024-12-18
茶葉在采摘和加工過程中，易混入茶梗、茶果、碎石等雜質(zhì)，影響茶葉口感和質(zhì)量安全，需對雜質(zhì)進行揀剔除雜，能夠提升茶葉價值。高端名優(yōu)綠茶的雜質(zhì)主要依靠人工揀剔，其成本高、勞動強度大，是茶葉精制中質(zhì)量與成本控制的瓶頸環(huán)節(jié)。
針對這一產(chǎn)業(yè)技術難題，本研究提出一種基于深度學習的輕量化名優(yōu)日照綠茶的雜質(zhì)智能檢測方法。在含有茶梗、瓜子殼、碎石及茶果等多類雜質(zhì)的數(shù)據(jù)集上實驗YOLOv8n，s，m，l，x模型，對比實驗結(jié)果，選擇YOLOv8n模型作為基礎模型，YOLOv8l模型作為教師模型。通過對基礎模型更換損失函數(shù)為MPDIoU、主干部分更換輕量化卷積模塊ADown、模型剪枝及知識蒸餾，實驗結(jié)果表明，改進模型的GFLOPs、Parameters、P、R、mAP、FPS分別為4.2、791966 B、0.9379、0.8959、0.9484、1362.7，相比原模型，P、R、mAP、FPS分別提高0.0216、0.0320、0.0261、368.0，GFLOPs、Parameters分別降低3.9（48.15%）、2214462 B（73.66%），改進模型在檢測性能提升的同時，降低了復雜度，滿足名優(yōu)綠茶雜質(zhì)檢測分揀要求，為名優(yōu)綠茶中雜質(zhì)的智能化分揀提供了技術支持。
山東省農(nóng)業(yè)科學院茶葉研究所為第一完成單位，茶葉所董春旺研究員為第一通訊作者，石河子大學聯(lián)培博士生丁澤中為第一作者，該研究得到山東省重點研發(fā)項目（2023CXGC010702, 2023LZGCQY015）、濟南市農(nóng)業(yè)科技攻關項目（GG202415）和山東省現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術體系（SDAIT19）的資助。（撰寫：陳之威 核稿：董春旺）
文章鏈接：https://doi.org/10.1016/j.foodres.2024.115516。
日期：2024-12-18
