【儀器網(wǎng) 時(shí)事聚焦】近日，茶葉所加工團(tuán)隊(duì)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(guò)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(duì)雜質(zhì)進(jìn)行揀剔除雜，能夠提升茶葉價(jià)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(dòng)強(qiáng)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(duì)這一產(chǎn)業(yè)技術(shù)難題，本研究提出一種基于深度學(xué)習(xí)的輕量化名優(yōu)日照綠茶的雜質(zhì)智能檢測(cè)方法。在含有茶梗、瓜子殼、碎石及茶果等多類(lèi)雜質(zhì)的數(shù)據(jù)集上實(shí)驗(yàn)YOLOv8n，s，m，l，x模型，對(duì)比實(shí)驗(yàn)結(jié)果，選擇YOLOv8n模型作為基礎(chǔ)模型，YOLOv8l模型作為教師模型。通過(guò)對(duì)基礎(chǔ)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(shí)蒸餾，實(shí)驗(yàn)結(jié)果表明，改進(jìn)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(jìn)模型在檢測(cè)性能提升的同時(shí)，降低了復(fù)雜度，滿(mǎn)足名優(yōu)綠茶雜質(zhì)檢測(cè)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(shù)支持。
 

　　山東省農(nóng)業(yè)科學(xué)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(xué)聯(lián)培博士生丁澤中為第一作者，該研究得到山東省重點(diǎn)研發(fā)項(xiàng)目(2023CXGC010702, 2023LZGCQY015)、濟(jì)南市農(nóng)業(yè)科技攻關(guān)項(xiàng)目(GG202415)和山東省現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系(SDAIT19)的資助。(撰寫(xiě)：陳之威  核稿：董春旺)
 

　　文章鏈接：https://doi.org/10.1016/j.foodres.2024.115516。