基于深度学习的米粒分割和跟踪技术研究.pdfVIP

基于深度学习的米粒分割和跟踪技术研究

摘要

节粮减损在国家的粮食安全中扮演着重要的角色，减少加工过程中的粮食损失是实

现节粮减损的重要环节。而要实现粮食的适度加工，就必须要提高控制精度。在粮食加

工过程中对颗粒状粮食进行精确的分割和高效的跟踪来实现快速的质量检测是提高控

制精度的重要保障。实例分割与视觉多目标跟踪技术涉及到机器学习，图像处理等多种

学科内容，在安防，工业生产等领域都有着广阔的应用前景，能够有效地实现对加工过

程中米粒的分割与跟踪。本文针对大规模米粒图像标注困难，密集粘连的米粒图像分割

不准确，同质多目标跟踪易丢失等问题开展研究，主要工作如下：

1.提出一种基于分割大模型SAM的半自动标注算法

针对大规模米粒图像标注困难，新场景下数据集增广需要大量人工标注的问题，本

文提出一种基于分割大模型SAM的半自动标注算法。该算法利用深度学习模型的高级

特征识别能力，辅助进行初步的图像标注，显著减少人工标注的工作量。相比于纯手动

标注能提升60倍以上的效率。

2.提出一种基于SparseInst的实例分割算法

为解决密集粘连的米粒图像分割不准确的问题，本文提出一种基于SparseInst实例

分割算法。该算法结合空间注意力和通道注意力机制，以增强模型对米粒特征的感知能

力。同时在编码器的多尺度融合阶段添加特征对齐模块，并在解码器的实例分支中添加

边界损失函数，增强模型对边缘细节的捕捉能力和整体的分割精度，平均精度达到91.4%。

3.提出一种基于StrongSORT的多目标跟踪算法

本文提出一种基于StrongSORT的多目标跟踪算法。该算法引入了Osnet网络作为

更高效的表观特征提取网络；通过采用质心框的方式调整卡尔曼滤波的计算策略，提高

粘连状态下米粒的跟踪精度；采用DIoU损失函数代替IoU进行二次匹配，提高跟踪稳

定性。MOTA相比于DeepSORT提升了7.95%，MOTP提升了2.86%。

综上所述，本文在实例标注数据引擎，小目标分割和同质多目标跟踪方向深入研究，

并设计了一个智能化系统来演示并验证算法的有效性。这些技术的应用能显著提高加工

过程中对米粒的分割和跟踪能力，实现快速的质量检测。为稻米加工行业的节粮减损提

供有力的技术支撑，具有重要的研究意义和应用价值。

关键词：深度学习；大米；小目标分割；多目标跟踪

哈尔滨工程大学硕士学位论文

ABSTRACT

Foodsavingandlossreductionplaysanimportantroleinthefoodsecurityofthecountry,

andreducingfoodlossduringprocessingisanimportantpartofrealizingfoodsavingandloss

reduction.Andtorealizethemoderateprocessingofgrain,itisnecessarytoimprovethecontrol

precision.Accuratesegmentationandefficienttrackingofgranulargrainduringgrain

processingtorealizerapidqualitydetectionisanimportantguaranteetoimprovecontrol

accuracy.Instancesegmentationandmulti-targettrackingtechnologyinvolvesavarietyof

disciplinessuchasmachinelearning,imageprocessing,patternrecognition,etc.,andhasbroad

applicationprospectsinsecurity,