带壳花生的市场价值会受到其外观的影响。对此，中国的研究人员创建了一种卷积神经网络（CNN）模型，该模型将带壳花生的外观分为完好、缺失、机械损伤、霉菌或发芽等多种类型，并使用嵌入式计算平台对其外观进行实时检查并分类。

带壳花生最早由人工进行外观检查、分类，许多研究人员创建了包含CNN的自动检测方法，尤其是使用YOLO（You Only Look Once）算法对带壳花生进行评估。

但是研究人员认为，现有的自动检测模型尚且存在一些不足。沈阳农业大学工程学院的Zhixia Liu、Xilin Zhong和其他作者在《植物科学前沿》杂志上写道：“许多现有的方法虽然实现了较高的检测精度，但却伴随着高昂的计算成本，或者情况正好相反（即计算成本低但检测精度不高）。”

这项研究的目标是找到速度、精度与计算负载的一个最佳平衡点，从而开发出一个模型，它能适用于在空间受限的环境中进行实时检测的嵌入式计算平台。

图像采集与处理

为了在实验中获取带壳花生的图像，研究人员制作了一个封闭的箱体。在箱体内部，他们安装了一个最高分辨率为 1280×720的200万像素网络摄像头，摄像头位于一张桌子上的传送带/操作平台的上方。光源安装在位于桌面上方220mm处。图像数据在树莓派（Raspberry Pi，一种微型计算机）4B上进行处理，该设备搭载了Broadcom的系统级芯片（SoC）BCM2711，该SoC具备一个64位、1.5GHz四核CPU，并配备了一块NVIDIA GeForce RTX 3060 Ti显卡。

在 2024 年 3 月 10 日至 15 日期间，研究人员利用该系统总共获取了 1600张三种类型花生的图像。

图1：图像采集系统包含（1）机箱，（2）光源，（3）网络摄像头，（4）相机安装架，（5）传送带，（6）操作平台和（7）树莓派。

研究人员使用了图像数据增强方法，如高斯噪声（图像特征中不需要的信号的正态分布）来生成 8000 张图像。他们对这些图像进行切片和分割，以创建一个分辨率为640×640像素的统一图像集。经过标注后，这些图像被随机划分为以下三种用途的数据集：5600张用于训练，1600张用于验证，800张用于测试。

图2：研究人员使用了多种方法来增加图像的数量，并提升图像质量。

研究人员创建了 YOLOv5s 的增强版本，他们选择这个目标检测模型，是因为该模型相对较小，仅16.3MB，这使其适合嵌入式计算平台。他们写道，“与其他YOLO模型相比，该模型也更加注重对小目标的检测。”

YOLOv5s的速度也比其他YOLOv5迭代版本更快。研究人员表示：“YOLOv5s卓越的推理速度，使其成为实时检测场景以及需要快速响应的应用的绝佳选择。”

为了进一步增强神经网络架构的轻量级结构，研究人员添加了ShuffleNetv2作为骨干网络，用于从图像数据中提取特征或目标。

对机器视觉模型的评价

研究人员对该模型准确判定花生五类外观类型（优质、破损、发芽、发霉或受土壤污染）的能力，分别进行了评估。结果表明，该模型对所有类别的判定准确率都很高，在98.6%-99.6%之间。该模型的检测速度为192.3fps，这一速度足以满足对花生进行实时检测和分类的应用需求。

他们还将该模型的性能与其他检测模型进行了比较，并得出结论：“与其他目标检测方法相比，本研究提出的方法在检测小目标方面具有显著优势。”例如，花生壳上的霉斑相对较小，这种小目标很难被可靠地检测出来。

为了在未来的研究中进一步改进该模型，研究人员建议优化其背景抑制特性，以提升其在生产环境中的性能表现。他们写道：“在现实场景中，带壳花生可能处在复杂背景中，例如与其他杂质混合在一起，或者花生壳颜色与背景相近。面对这些复杂情况，模型可能会将背景物体误判为花生，还有可能造成漏检。”