Assessment of mechanical damage in canola using X-ray radiography and deep learning
M. Buragohain · L. G. Divyanth · Taranveer Singh 等 6 人
用X射线成像结合机器学习与深度学习，无损分类油菜籽机械损伤等级。
3029张X射线图像，提取37个特征训练SVM/RF，并用五种预训练CNN迁移学
MobileNetV2准确率达91.42%，显著优于传统机器学习最高74.01%。
可拓展至多作物种子内部损伤实时检测，并融合高光谱或近红外实现便携式在线分选。
将X射线成像与深度学习结合用于油菜籽内部机械损伤无损分级，方法新颖、数据规模可观，对油料供应链智能质控有参考价值。
油菜（Brassica napus L.）种子在采后处理和加工过程中的机械损伤会严重损害其品质、发芽潜力和市场价值。传统的视觉检测方法主观性强，且仅限于检测外部缺陷，往往无法发现内部损伤。本研究提出了一种利用X射线成像结合人工智能技术对油菜种子机械损伤进行无损分类的方法。将三种含水率（6%、8%和12%）的种子分别施加四个水平的冲击能量（0、3、3.7和4.3 mJ），共生成3,029张射线图像，并标注为四个不同程度的机械损伤等级（无损伤、低损伤、中等损伤和高损伤）。研究开发了两条分析流程。第一条采用机器学习方法，提取了37个特征，包括基于强度的指标、纹理描述符、频域特征以及快速傅里叶变换（FFT）特征，开发并评估了支持向量机（SVM）和随机森林（RF）模型，其中SVM在特征选择后达到了74.01%的最高准确率。第二条流程通过迁移学习在五个预训练卷积神经网络上实现深度学习：MobileNetV2、EfficientNet-B0、Xception、ResNet50和DenseNet121。其中，MobileNetV2达到了91.42%的最高准确率，优于所有传统机器学习模型。结果表明，将射线成像与人工智能方法相结合，有望实现对油菜种子机械损伤的快速、可靠且无损的分类，为油料种子供应链中的智能质量控制系统的建立奠定了基础。