基于深度学习的马铃薯块茎与矿物杂质智能分选：系统开发与实验评估

《Foods》：Deep Learning-Based Intelligent Sorting of Potato Tubers and Mineral Impurities: System Development and Experimental Evaluation

　　

为了提高马铃薯块茎在存在矿物杂质（主要是土块和石块）情况下的采后分选效率、准确性和操作稳定性，研究人员设计并开发了一种用于马铃薯块茎和矿物杂质的智能分选系统。该系统采用YOLOv10n作为基线网络，并融入PSA模块（partial self-attention，部分自注意力机制）和动态模糊增强策略，建立了一个任务适应的检测模型，称为YOLOv10n-PB。所提出的系统并未仅将检测精度作为优化目标，而是联合考虑了检测性能、推理延迟稳定性、时空协调性和气动剔除可靠性。此外，研究人员集成了可编程逻辑控制器（PLC）和气动执行器，以实现在线目标识别和动态剔除。通过比较轻量级YOLO模型和L₂₅(5³)正交实验，评估了传送带速度、物料间距和分类阈值对分选性能的影响。结果表明，YOLOv10n-PB在测试集上的mAP@0.5（平均精度均值，交并比阈值为0.5）达到98.9%。在所研究因素中，传送带速度对整体分选精度的影响最大，其次为物料间距和分类阈值。极差分析确定的最佳参数组合为：传送带速度0.2 m/s、物料间距9 cm、分类阈值0.4。在此条件下的验证实验得到整体分选精度为98.3%，矿物杂质综合剔除精度为98.3%，马铃薯块茎误剔除率为1.7%。这些结果表明，所提出的系统在采后操作条件下能够实现马铃薯块茎和矿物杂质的准确、稳定自动分选。

本研究针对马铃薯块茎采后分选中矿物杂质（主要为土块和石块）的实时去除问题，设计并评估了一套集成机器视觉、可编程逻辑控制器（PLC）和气动剔除的智能动态分选系统。研究人员指出，现有研究多聚焦于静态或准动态指标（如识别精度、分级精度），忽视了推理延迟波动对动态分选精度的影响，且多数模型在运动模糊、土壤附着等实际扰动下的鲁棒性验证不足。为此，研究旨在通过系统级协调优化，实现块茎与杂质的准确稳定自动分选。

研究人员建立了描述推理延迟波动与剔除位置偏差关系的工程模型，并以此为依据，联合检测精度、推理速度和时序稳定性，从主流轻量级YOLO模型中选择YOLOv10n作为基线网络，通过引入部分自注意力机制（PSA）和动态模糊增强策略，构建了任务适应模型YOLOv10n-PB。在此基础上，集成机器视觉、PLC定时控制和气动剔除机制，开发了功能分选样机。并使用L₂₅(5³)正交实验，在传送带速度、物料间距和分类阈值三个因素上优化动态分选性能，最后在最佳参数组合下进行独立验证实验。该研究发表在《Foods》期刊，为马铃薯采后矿物杂质去除提供了有效的系统级解决方案。

**主要关键技术与方法**
研究采用的主要关键技术包括：①建立时空耦合模型，将推理延迟波动转化为剔除位置偏差，用于指导模型选择；②基于YOLOv10n网络，插入部分自注意力模块（PSA）以增强局部判别特征表达，并采用动态模糊增强策略提升对运动模糊的鲁棒性；③搭建包含工业相机、PLC、气动缸阵列和传送带的原型样机，其中样本（黄肉马铃薯、土块和石块）收集自中国内蒙古的同一产区；④采用L₂₅(5³)正交实验设计，结合极差分析和方差分析（ANOVA）优化操作参数。

**研究结果**
**3.1 延迟稳定性与候选YOLO模型的比较性能**：通过在同一硬件和推理设置下比较多种轻量级YOLO模型的推理延迟及其标准差，发现YOLOv10n的平均推理延迟最低（2.2 ms）、延迟标准差最小（0.1 ms），对应的理论位置误差仅为±0.15 mm，满足系统空间定位要求，而其他候选模型均超出工程参考范围。因此，YOLOv10n被选为后续增强的骨干网络。

**3.2 YOLOv10n变体的消融研究与训练收敛**：对YOLOv10n及其变体进行消融实验。基线模型YOLOv10n-B的mAP@0.5为97.6%，推理速度470 f·s^?1；加入PSA模块后（YOLOv10n-P）mAP@0.5升至98.3%，推理速度降至455 f·s^?1；进一步结合动态模糊增强后（YOLOv10n-PB）mAP@0.5达到98.9%，推理速度450 f·s^?1。结果表明，PSA模块和动态模糊增强在保持实时推理能力的同时提升了动态条件下的检测性能，YOLOv10n-PB被选为最终部署模型。

**3.3 YOLOv10n-PB的类别级检测性能**：通过测试集上的归一化混淆矩阵评估，YOLOv10n-PB对马铃薯块茎、土块和石块三类目标均实现了高识别准确率。块茎样本识别稳定，土块与石块之间存在轻微混淆，可能与不规则形态和土壤附着有关。

**3.4 正交实验结果与参数优化**：正交实验显示，低传送带速度和大物料间距对应更高的整体分选精度，分类阈值主要影响块茎误剔除与杂质漏检的权衡。极差分析表明，对整体分选精度的影响力排序为：传送带速度（A）> 物料间距（B）> 分类阈值（C），最佳组合为A1B5C2（速度0.2 m/s、间距9 cm、阈值0.4）。方差分析（ANOVA）进一步确认了各因素的显著性（p < 0.001），其中对整体分选精度贡献率：传送带速度38.94%、物料间距34.21%、分类阈值24.53%；对矿物杂质综合剔除精度贡献率：分类阈值59.41%、传送带速度19.83%、物料间距19.61%。

**3.5 最佳参数组合的验证**：在最佳组合（速度0.2 m/s、间距9 cm、阈值0.4）下进行独立验证实验，得到马铃薯块茎误剔除率1.7%，土块剔除准确率97.1%，石块剔除准确率100.0%，矿物杂质综合剔除精度和整体分选精度均为98.3%，验证了极差分析确定参数的有效性。

**总结讨论与结论**
讨论部分指出，推理延迟稳定性在动态分选中至关重要，本研究将轻量检测、延迟稳定性评估、时空剔除误差估计、PLC定时控制与气动剔除整合在单一原型系统中，实现了98.3%的整体分选精度。但该结果为实验室条件下验证，工业级应用需考虑规模化吞吐、长期稳定性及更复杂田间条件。此外，数据集仅包含三类目标且品种有限，对湿黏土严重覆盖马铃薯场景的泛化能力需进一步验证。结论部分翻译如下：
设计并开发了一种集成机器视觉、可编程逻辑控制器（PLC）和气动剔除的智能分选系统，用于在动态采后输送条件下从矿物杂质（主要为土块和石块）中分离马铃薯块茎。建立了时空耦合模型以量化推理延迟波动对剔除位置偏差的影响。基于检测精度、推理效率和时间稳定性的联合考量，选择YOLOv10n作为骨干网络，并通过融入PSA模块和动态模糊增强构建最终部署模型YOLOv10n-PB。在本测试条件下，YOLOv10n-PB的mAP@0.5达到98.9%，YOLOv10n在候选模型中展现出最有利的延迟稳定性与部署效率平衡。正交实验和方差分析进一步表明，传送带速度对整体分选精度贡献最大，而分类阈值对矿物杂质综合剔除精度贡献最大。该参数组合代表当前实验室样机的精度-稳定性最优值，而非工业可实现的最大吞吐量。在此条件下的验证实验得到马铃薯块茎误剔除率1.7%，矿物杂质综合剔除精度98.3%，整体分选精度98.3%。这些结果表明，所提出的系统在代表性动态操作条件下能够实现马铃薯块茎和矿物杂质的准确、稳定自动分选。