首页 > 论文范文 > 医药卫生论文 > 药学论文 > 中药学论文 > 基于改进YOLOv6的中药材分选

基于改进YOLOv6的中药材分选

2023-12-18 238 上传者：管理员

摘要：为准确分选中药材原料中的杂质与存在缺陷的物料，针对微小缺陷物料难检测等问题，提出了一种改进YOLOv6的中药材分选算法。首先，基于药材特点，裁剪检测网络冗余的大目标检测头，减少误检；其次，引入SPD卷积替代跨步卷积进行图像下采样，增强细粒度特征提取能力；最后，引入协同注意力机制，提高重要特征的关注度。在黄芪数据集进行实验。结果表明，改进的YOLOv6算法mAP达到了86.2%，比原算法提升了2.9%，对存在微小缺陷的药材检测能力更强。

关键词：
SPD卷积
YOLOv6
中药材分选
注意力机制
色选机分选
加入收藏

近几年，由于中医具有养生保健等优点，采用中药材进行疾病预防与治疗已经成为了共识，也使得中药材生产行业迅速发展[1]。通常，中药材原料中极易混入小石子、泥土块等杂质，且存在霉变、残缺等缺陷坏料，无法直接加工或者售卖。因此，对中药材进行分选，剔除杂质及缺陷坏料可以有效提高产品质量。

传统的分选算法多采用色选机分选[2]和机器视觉分选[3]。色选机基于光电检测原理，从原料中检测异色杂质并分离，对于存在形状缺陷和颜色差异不明显的物料分选精度低；机器视觉分选则通过提取产品原料形状、纹理等特征，送入机器学习分类器进行分类检测，较难理解图像的深层语义信息。近年来，基于深度学习的目标检测算法由于准确度高、鲁棒性好等优点，成为了研究热点。典型算法为YOLO系列算法。YOLO算法通过一次特征提取完成定位和识别，检测实时性更好。目前，YOLO系列算法被广泛运用到产品分选中。张兆国等[4]利用改进的YOLOv4算法在嵌入式设备上完成了损伤马铃薯的分级清选。王林等[5]重新设计了YOLOv4的检测网络，实现了垃圾分选的自动化。然而，在中药材分选场景下，霉变、异形等坏料的缺陷特征不明显，较难被原始YOLO算法检测。上述算法对中药材分选的适应性较差。

本文根据中药材分选场景下的实际特点，改进了YOLOv6-M网络，提高算法检测精度。主要改进如下：裁剪了YOLOv6-M网络的大目标检测头以降低误检；引入SPD卷积替换特征提取网络中的跨步卷积，在图像下采样时提取细粒度信息；在网络Backbone层与Neck层连接处及Neck层特征融合处分别添加4处CA注意力机制，提升算法的定位能力。

1、改进的YOLOv6算法

1.1 YOLOv6-M网络

YOLOv6算法是由美团所提出的单阶段目标检测算法，共有YOLOv6-N、YOLOv6-S、YOLOv6-M和YOLOv6-L四种检测网络。由于中药材分选中物料视觉差异小，对检测模型的性能要求较高，因此选用YOLOv6-M网络进行后续实验。YOLOv6-M网络主要由Backbone层、Neck层和检测头组成。Backbone层基于跨层连接方式，采用结构重参数化的方法设计了特征提取网络。Backbone最后一层采用SimSPPF结构融合特征图。Neck层沿用了YOLOv5的特征金字塔网络和路径聚合网络，进行特征融合。YOLOv6-M采用了无锚框的解耦检测头，分别将输入图像下采样8、16和32倍，设计了小目标、中目标、大目标检测头。

1.2 SPD卷积

现有的卷积神经网络往往采用跨步卷积的设计。跨步卷积通过卷积核步长为2的方式，间隔对特征图进行卷积，缩小特征图空间维度。这样的下采样方式会忽略部分像素信息，导致低分辨率图像细粒度信息的丢失，减弱对于微小特征的提取能力。SPD卷积由SPD层(space-to-depth layer)与逐步卷积组成，用于代替跨步卷积完成图像下采样[6]。SPD层将特征图进行裁剪与拼接，在保留全部信息的前提下增加特征图通道维度，减小空间维度以实现下采样，具体过程如式（1）所示，scale为下采样率。对于输入维度为（C×S×S）的特征图X，将其切割为scale×scale个维度为的子特征图fx,y。之后将子特征图沿通道维度进行拼接，得到下采样后的新特征图X'，维度为，扩充通道维度，实现了下采样。最后，新特征图X'由逐步卷积进行通道维度的调整。

1.3注意力机制

注意力机制为输入张量的每一个部分分配不同的权重，增强重要的特征，可以有效地提升目标检测算法的检测精度。本文选用CA协同注意力机制。CA注意力机制[7]将特征图的空间位置信息结合到生成的通道注意力中，有效提取了跨通道信息和位置信息。

CA注意力机制可以分为坐标信息嵌入和注意力图生成两部分。首先，对维度为C×H×W的中间特征图x，分别在各通道的水平和垂直方向进行平均池化，得到C×H×1和C×1×W的两个聚合特征图。其中，第c个通道在高度h和宽度w的输出如式（2）、（3）所示。之后，连接聚合特征图，并利用1×1卷积变换函数F1得到通道倍数下采样r倍的中间特征图f，如式（4）所示。δ为非线性激活函数。将f沿着空间维度分割为f h及f w，在利用两个1×1卷积F h和F w变换为与输入具有相同通道数的注意力向量g h及g w，如式（5）、（6）所示。σ为sigmoid激活函数。最后，经CA注意力机制模块后的输出Y如式（7）所示。

1.4改进的YOLOv6算法

本文根据中药材分选的特点，完成YOLOv6-M网络的算法改进，并在黄芪圆片数据集上进行实验。YOLOv6算法基于COCO数据集设计。由于COCO数据集中目标种类差异较大且图像中往往同时存在小目标、中目标及大目标[8],YOLOv6-M网络将图像下采样8倍、16倍和32倍，分别设计了小、中和大目标检测头。表1展示了COCO数据集对于目标的分类标准。但在中药材分选场景下，待分选的药材原料体积小，图像中往往只存在小目标。表2对比了黄芪圆片数据集与COCO数据集的目标分布情况。黄芪圆片数据集中大目标个数仅占0.54%，仅有1.19%的图片中存在大目标，大目标总面积占目标总面积的17.00%。YOLOv6算法的大目标检测头忽略了细粒度特征，在以微小缺陷坏料为主的中药材分选场景下会带来错误的检测信息，影响精度。因此，本文裁剪了YOLOv6-M网络中下采样32倍的大目标检测头，精简网络结构，同时提高精度。

表1 COCO数据集中目标分类标准

表2数据集中目标分布对比

由表2可知，中药材分选主要由中、小目标构成。输入检测算法的图像分辨率大小为384×360，属于低分辨率图像。且中药材坏料的缺陷特征如黑心等往往面积较小，不明显。现有YOLOv6-M网络对于低分辨率图像和中小目标的检测能力较弱。因此，本文采用SPD卷积来完成图像下采样，减小低分辨率图像细粒度信息丢失，提升微小特征的提取能力。在网络Backbone层，采用4个SPD卷积来替代跨步卷积，完成图像的下采样。

CA注意力机制跨通道提取了位置信息，可以有效增强网络的检测能力和定位能力。本文为网络Neck层引入了4个CA注意力机制。首先，将Backbone层输出的两分支特征图经CA注意力模块后，生成注意力特征图送入Neck层。之后，为Neck层中Concat结构后新增CA注意力模块，增强拼接后特征图的表达能力。图1为改进后的YOLOv6-M网络结构示意图。

图1改进的YOLOv6-M网络结构

2、实验与分析

2.1数据集

本文以黄芪为例，验证改进算法在中药材分选领域的有效性。通过与某中药材生产加工企业合作，构建黄芪圆片数据集。利用履带式分选机拍照取图，将黄芪原料均匀散布至传送履带上，由履带上方的照相机拍摄得到原始图片。根据企业需求，制定黄芪的分类标准与缺陷类别。数据集中目标类别共有10类，分别为好料、杂质以及8类带有缺陷的坏料（小缺口片、大缺口片、黑心片、空心片、红心片、松散片、轻异形片、重异形片）。数据集中共有13 154张带标记图片，按照8∶2的比例划分训练集和验证集。图2(a）展示了数据集中的部分图片，图2(b）展示了数据集中的部分目标类别。

图2数据集样本

2.2实验平台

实验平台的实验环境为Ubuntu20.04 64位操作系统，搭载Intel(R) Xeon(R) Silver 4210R CPU@2.40GHz处理器，NVIDIA RTX A6000显卡，显存为48G。

2.3改进算法的对比实验

共采用了三种方法改进原始的YOLOv6-M网络，为分析改进后性能，设计了4组实验对比不同改进方式对检测精度的影响。选用m AP(平均准确率)作为检测精度的评价指标。选用模型的参数数目(Params)作为复杂度评价指标。每组实验训练时参数相同，不同改进方式对检测性能的影响见表3。其中，“√”表示模型采用了该改进方式，“×”表示模型未采用该改进方式。

表3不同改进的实验结果

由表3可知，裁剪下采样32倍的大目标检测分支可以在提升网络检测精度的同时，大幅缩减网络参数，适合分选环境。基于SPD卷积改进裁剪后的网络，mAP比YOLOv6-M网络提高了2.1%；为裁剪后的网络添加CA注意力机制，mAP比原网络提高了1.9%；引入SPD卷积和CA注意力机制的改进YOLO算法，m AP达到了86.2%，比原网络提高了2.9%，同时参数仅为原始网络的43%。

图3对比了YOLOv6-M算法及本文改进算法的检测结果。图（a）为待分选图像，图（b）为YOLOv6-M算法检测结果，图（c）为本文改进算法检测结果。YOLOv6-M算法将右下角的原料重复检测为大缺口片和杂质，且将右上角的缺陷特征不明显的黑心圆片误检为红心圆片。由图3可知，本文改进算法生成的检测框定位更准确，漏检和误检现象低，对于特征相似且缺陷微小的黄芪具有更强的检测能力。

图3改进前后对比

3、结束语

基于目标检测算法进行中药材分选对于提升药材质量，发展智慧农业具有重要意义。为解决现有目标检测算法在分选时较难分选特征不明显的中药材，本文提出了改进YOLOv6-M网络的分选算法。根据中药材分选特点，裁剪了YOLOv6-M网络中下采样32倍的大目标检测分支，精简网络结构减少误检。在Backbone层采用SPD卷积提取低分辨率图像细粒度信息，最后，在Neck层引入了4个CA注意力模块增强特征融合的有效信息。经实验表明，本文改进算法在中药材分选时的m AP达到了86.2%，比原始YOLOv6算法具有更高的分选精度，为中药材的智能分选提供参考。

参考文献:

[1]张书河,曹越,王萧,等.基于中医药文化自信指数的中药产业发展研究[J].中医药管理杂志,2021,29(24):1-4.

[2]张德高,刘敏基,谢焕雄.农产品光电色选原理及色选机国内外研究发展现状[J].保鲜与加工,2020,20(3):233-237.

[3]赵旭东,徐振南,胡益嘉,等.基于机器视觉的鲜天麻分级及设备研究[J].农机化研究,2022,44(9):29-34.

[4]张兆国,张振东,李加念,等.采用改进YOLOv4模型检测复杂环境下马铃薯[J].农业工程学报,2021,37(22):170-178.

[5]王林,刘靖贇.用于智能垃圾分选的轻量级检测算法[J].计算机系统应用,2023,32(4):231-240.

文章来源:李文杰,项安.基于改进YOLOv6的中药材分选[J].电脑与信息技术,2023,31(06):15-18.