近日，云南農(nóng)業(yè)大學(xué)茶學(xué)院王白娟教授團(tuán)隊(duì)聯(lián)合浙江大學(xué)王岳飛教授團(tuán)隊(duì)在中科院一區(qū)TOP期刊《Food Control》（影響因子5.6）上發(fā)表題為《曬青茶（普洱茶原料）小目標(biāo)異物檢測(cè)：基于深度學(xué)習(xí)的改進(jìn)型YOLOv8神經(jīng)網(wǎng)絡(luò)模型》的研究論文。

發(fā)表論文

該研究得到了云南省科技廳基礎(chǔ)研究專(zhuān)項(xiàng)、云南省茶產(chǎn)業(yè)人工智能與大數(shù)據(jù)應(yīng)用創(chuàng)新團(tuán)隊(duì)和云南省勐?？h智慧茶產(chǎn)業(yè)科技特派團(tuán)的支持，通過(guò)采用深度學(xué)習(xí)技術(shù)，構(gòu)建并優(yōu)化了一個(gè)基于深度學(xué)習(xí)的茶葉中的小目標(biāo)異物檢測(cè)模型，為普洱曬青毛茶小目標(biāo)異物檢測(cè)提供了切實(shí)可行的研究方法和重要參考，為食品行業(yè)提供了更為全面和高效的異物檢測(cè)解決方案。

樣品制備和異物分析 

研究創(chuàng)新性地提出了一種基于深度學(xué)習(xí)的改進(jìn)型YOLOv8神經(jīng)網(wǎng)絡(luò)。針對(duì)傳統(tǒng)YOLOv8網(wǎng)絡(luò)的缺點(diǎn)，為進(jìn)一步增強(qiáng)模型對(duì)異物靶點(diǎn)的識(shí)別能力，提升特征提取的深度和廣度，賦予模型更好地理解圖像各部分之間的上下文聯(lián)系，強(qiáng)化對(duì)全局特征的捕捉與聚焦，提升圖像的感知性能，該研究采用Shape-IoU對(duì)原損失函數(shù)進(jìn)行了優(yōu)化，通過(guò)Receptive-Field Attention Convolution技術(shù)對(duì)部分網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行替換，并嵌入Double Attention Networks優(yōu)化網(wǎng)絡(luò)。

研究結(jié)果顯示，改進(jìn)型YOLOv8神經(jīng)網(wǎng)絡(luò)模型對(duì)普洱曬青毛茶異物檢測(cè)的精確率達(dá)到了98.35%，相較于原始YOLOv8網(wǎng)絡(luò)提升了3.93%，與YOLOv7、YOLOv5、Faster RCNN、CornerNet和SSD主流檢測(cè)模型相比，改進(jìn)型YOLOv8網(wǎng)絡(luò)模型的mAP值分別實(shí)現(xiàn)了4.48%、6.66%、13.63%、13.20%和9.84%的顯著提升。

準(zhǔn)確高效自動(dòng)化異物檢測(cè) 

基于深度學(xué)習(xí)網(wǎng)絡(luò)，該項(xiàng)研究完成了對(duì)茶葉中的小目標(biāo)異物檢測(cè)模型的開(kāi)發(fā)，對(duì)茶葉生產(chǎn)和產(chǎn)品安全監(jiān)管具有重要意義。在食品行業(yè)領(lǐng)域，該研究技術(shù)成果提升了異物檢測(cè)的準(zhǔn)確性和效率，有助于保障消費(fèi)者健康和提升產(chǎn)品質(zhì)量，為食品安全和質(zhì)量控制的現(xiàn)代化、智慧化奠定了基礎(chǔ)。