基于改進U-Net模型的小麥收獲含雜率在線檢測方法

陳 滿 金誠謙 莫恭武 劉士坤 徐金山

(1.農業農村部南京農業機械化研究所，南京 210014；2.江蘇省農業機械試驗鑒定站，南京 210017)

0 引言

小麥是我國重要的糧食作物，我國小麥種植面積為全國耕種總面積的22%～30%，糧食作物總面積的22%～27%[1]。適收期小麥普遍采用機械化收獲，機收水平達到97%[2]。含雜率是評價小麥機械化收獲效果的重要指標。但是，目前的小麥聯合收獲機無法實現含雜率的在線檢測。機械化收獲過程，駕駛員無法實時掌握收獲質量信息，不能及時發現收獲過程存在的問題，易造成收獲質量參差不齊，影響經濟效益[3]；此外，含雜率實時數據難以檢測也制約著收獲智能調控技術的發展，無法實現基于收獲質量的聯合收獲機參數自主調控，從而影響作業效率[4]。

國內外學者基于機器視覺開展了谷物收獲品質在線檢測研究?？死构就瞥隽恕肮任镔|量相機”，拍攝的圖像根據非谷物成分和碎粒含量進行分析，并可在駕駛室操作面板上顯示檢測結果與預警信息。SINDHU等[5]開發了一種基于多種谷物特征的圖像處理技術，該方法實現了4種大米品種分類，并能夠檢測出大米的純度。SINGH等[6]利用形態、顏色、質地和紋理等4組谷物特征研究了4種不同稻米品種的分類，結果表明形態特征比其他3個特征更適合米粒的分類。MAHIRAH等[7-8]提出了雙燈源照明谷物破碎率與含雜率檢測系統，系統檢測結果決定系數大于0.7。MD等[9]研究出基于機器視覺的大豆破碎籽粒、含雜識別的試驗室檢測裝置和在線識別算法，識別準確度上裂豆為96%，污染豆為75%，缺陷豆和莖/莢為98%。國內學者也利用機器視覺、光譜探測技術開展了谷物破碎率和含雜率在線檢測方法研究，初步構建了大豆和水稻破碎率及含雜率檢測模型[13-15]。上述采用聚類、分水嶺分割等算法，基于顏色閾值、紋理、形狀等特征提取的傳統分類識別方法需要人工提取淺層特征信息特征，算法效率低且通用性差。

近年來，語義分割是機器視覺領域的研究熱點，它對圖像的每一個像素點分配語義標簽，在像素級對圖像分類識別，實現端到端的像素級分割，能夠獲得更高的分割精度和更好的效率，為圖像快速精準分割識別提供了新思路[16]。國內外學者基于語義分割技術開發了谷物表型[17-19]、品質[20-21]、病害[22]和品種[23-24]特征識別分割方法和系統，實現了小麥、高粱、玉米、油菜和花生等谷物目標特征在線檢測。但缺乏小麥含雜率特征信息的圖像數據庫，同時現有的模型與算法無法直接應用于小麥含雜率在線檢測。因此，有必要針對小麥含雜率在線檢測需求，構建圖像數據集與特征識別模型和算法。

為了實現小麥機械化收獲含雜率的在線檢測，本文提出一種結合注意力的改進U-Net模型的小麥含雜率在線檢測方法，通過構建機械化收獲小麥的圖像數據集，研究結合注意力的改進U-Net模型的小麥籽粒和雜質分割識別算法，設計基于圖像像素信息的小麥含雜率量化模型，建立基于圖像信息的小麥含雜率在線檢測體系，以期實現小麥機械化收獲作業過程含雜率在線檢測，為收獲機參數智能化調控提供數據支撐。

1 小麥含雜率在線檢測系統

1.1 系統組成

小麥含雜率在線檢測系統主要由Nvidia jetson tx2開發套件、谷物采集裝置、舵機驅動板、工業相機、LED光源、電動機等部分組成，如圖1所示。采樣槽為長方體形狀，尺寸為長205 mm、寬25 mm、高107 mm，靠近工業相機的一側開有100 mm×100 mm的孔，采用透明有機玻璃密封，用于拍攝小麥樣本圖像。工業相機采用華銳視通科技LRCP10230型USB2.0彩色工業攝像頭，搭配焦距12 mm鏡頭，讀取速度30 f/s，信噪比39 dB，鏡頭距透明有機玻璃105 mm。

圖1 小麥含雜率在線檢測裝置構成圖

1.2 工作流程

系統工作流程如圖2所示。小麥含雜率在線檢測系統上電后進行自檢，并對系統進行初始化處理，完成通信檢測及預測模型加載等功能。各工作組件檢查完畢，控制直流舵機帶動伸縮板縮回/伸出，控制采樣槽內小麥樣本的動態更新，拍攝靜止狀態的小麥樣本圖像。由內置圖像識別程序判斷圖像是否滿足識別要求，將滿足要求的小麥圖像下采樣并加載到結合注意力的改進U-Net預測模型，對圖像中的小麥籽粒和雜質進行在線分割識別，統計籽粒和雜質的像素。之后，結合含雜率量化模型，實時計算所拍攝的小麥樣本的含雜率，檢測結果顯示并儲存在本地，從而實現機械化收獲過程含雜率在線檢測。

圖2 系統工作流程圖

2 改進的U-Net模型設計

2.1 數據集制作

小麥樣本圖像于2020年5月15日在四川省廣漢市連山鎮惠民農機作業專業合作社小麥試驗田采集，試驗過程采用久保田4LZ-5B8型全喂入谷物聯合收獲機進行小麥機械化收獲，小麥樣本圖像采集裝置安裝在收獲機輸糧裝置的出口下方，采集裝置動態自動采集小麥樣本圖像，程序設定保存圖像為.jpg格式，圖像分辨率為1 280像素×1 024像素。試驗田種植小麥品種為川麥104，收獲時含水率為12.1%，百粒質量為29.16 g。共采集圖像200幅，小麥樣本圖像包含小麥籽粒和雜質(主要包括秸稈和麥殼)，如圖3所示。

圖3 樣本圖像及識別對象

使用開源標注軟件Labelme 3.16.7手工標記籽粒和雜質邊界，并對包括背景在內3種分類進行著色，為了增強圖像的可視化，綠色代表小麥籽粒，黃色代表雜質，黑色代表背景，如圖4a所示。模型訓練時將采用灰度圖，每個像素點的內容是一個數字，代表這個像素點所屬的類別，如圖4b所示。隨機選取圖像集中的170幅作為訓練數據集，30幅作為測試集。為了進一步增強訓練數據，通過將每個訓練數據集圖像隨機旋轉(30°～150°，210°～330°)、隨機縮放(0.5～0.8倍，1.5～2.0倍)、隨機剪切(-30°～30°)、水平鏡像來進行圖像增強，為每個訓練樣本創建6個增強樣本。將數據增強后1 190幅圖像以比例9∶1隨機分為訓練集和驗證集，其中1 071幅作為訓練集，119幅作為驗證集。本文將以數據集為基礎，開展不同模型的小麥含雜在線識別測試與驗證試驗。

圖4 樣本圖像手工標記圖

2.2 U-Net模型改進

U-Net模型是一種特殊類型的全卷積網絡(Fully convolutional network, FCN)，它繼承了全卷積網絡的基本結構，不使用密集連接層構建網絡，而是采用包括卷積、池化和上采樣層局部連接層構建，這種做法大大減少了模型調優的參數數量，與傳統的卷積神經網絡(Convolutional neural networks, CNN)相比減少了冗余計算。在此基礎上，U-Net 模型進一步充分利用在收縮路徑中不同分辨率提取的特征信息，應用特征連接來恢復擴展路徑中的相應位置的圖像，從而保證模型具備高精度圖像分割能力。

U-Net模型中的卷積層通過內核過濾器進行圖像過濾，將強信號的圖像特征提取出來，實現圖像重要特征的提取。池化層對激活圖進行下采樣，通過降低圖像的分辨率來降低特征的維度，最大池化層則過濾掉冗余信息，保留圖像最強的特征信號。ReLU 層(Rectified linear unit layer, ReLU)是 CNN 中最常用的激活函數之一，它將所有負元素更改為零，同時保留正元素的值，截斷卷積層生成的不重要的特征，從而保留重要的特征。轉置卷積層通過使用上采樣或空間插值，將提取的密集特征從粗分辨率投影到其在原始圖像中的精確位置。

注意力模塊是一種最初為序列依賴建模而設計的技術，最近被應用到圖像分析中對特征依賴進行建模[25]。它可以逐步抑制不相關背景區域中的特征響應，并使模型專注于重要特征。本文將5個注意力門(Attention gate, AG)集成到 U-Net 模型中，從而創建一個注意力 U-Net 模型來實現小麥樣本成分高精度分割識別。該注意力模塊架構如圖5所示，將特征圖和門控信號的卷積結果結合到 ReLU 層以去除負值，并利用瓶頸卷積層減少通道維度以節省內存，并使用 Sigmoid 函數來計算最終的注意力權重矩陣，加權輸入乘以縮放超參數α(初始化為1)并添加到原始輸入以產生最終輸出特征圖像信息[26]。

圖5 U-Net 模型中的注意力模塊

注意力改進U-Net模型的架構如圖6所示。在收縮路徑中應用了3個三重卷積層和3個二重卷積層，在擴展路徑中應用了5個二重卷積層。在每個卷積層之間使用5個池化層進行下采樣。在擴展路徑中，為了方便網絡的構建與更好的通用性，在上采樣時直接進行兩倍上采樣再進行特征融合，最終獲得的特征層和輸入圖像的高寬相同。在兩條路徑的每個水平層次上，網絡使用注意力門，根據來自較粗尺度的上下文信息的門控信號，對通過跳躍連接傳播的特征進行過濾，實現圖像的高精度分割。同時，本文使用Adam優化器來計算損失的變化方向并調整反向傳播過程中的權重[27]。

圖6 改進的U-Net網絡結構圖

2.3 網絡訓練

Ubuntu 20.04主機配置Intel(R)Core(TM)i7-6700 CPU 3.40 GHz 3.41 GHz的處理器，16 GB內存和NVIDIA GeForce GTX 1050 Ti 獨立顯卡?；赑ython 3.6，torch 1.2.0，torchvision 0.4.0，scipy 1.2.1，numpy 1.17.0，matplotlib 3.1.2，opencv_python 4.1.2.30，tqdm 4.60.0，Pillow 8.2.0，h5py 2.10.0部署模型訓練環境，使用GPU和CPU雙設備開展注意力改進U-Net模型的訓練和測試。使用網格搜索來調整包括學習率、過濾器尺寸、丟失率和衰減因子在內的超參數，在模型訓練過程中使用Adam優化器來計算和調整權重[28]。訓練了注意力改進U-Net模型5次獲取最優的訓練模型，將最優的訓練模型移植到Nvidia jetson tx2開發套件，用于小麥機械化收獲過程含雜率的在線檢測。

注意力改進U-Net模型訓練集損失函數使用基于多分類交叉熵損失，計算公式為

(1)

式中Tloss——多分類交叉熵損失

n——樣本數量

x——預測向量維度

y——像素點真實值

β——像素點預測概率，取0～1

驗證集采用Dice loss作為損失函數。其中，Dice系數是一種集合相似度度量函數，通常用于計算兩個樣本的相似度，取值范圍為[0,1]，Dice系數越大表示預測結果和真實結果重合度越高，其計算公式為

(2)

式中fdice——Dice系數

X——預測結果

Y——真實結果

最終，驗證集損失函數Vloss計算公式為

Vloss=1-fdice

(3)

2.4 模型預測效果評價方法

采用精確率P、召回率R作為圖像分割結果的評價指標，并以F1值作為準確率和召回率的評估值。召回率R表示模型在輸入數據中找到所有小麥成分像素的能力，而精確率P表示模型正確分類小麥成分的像素部分。F1值是精確率和召回率的調和平均值，較高的F1值表明該模型在召回率和準確率之間取得了最佳平衡。因此，本文將F1值作為評價各模型性能的重要指標。

3 試驗設計

3.1 模型性能評價試驗

為了評估本文算法的性能，將其與人工標注結果以及其他機器學習方法預測的效果進行比較。本文設置4個對照模型，包括人工標注、標準U-Net模型、PSPNet模型(Pyramid scene parsing network)和DeepLabV3模型(Deep convolutional nets v3)。利用2.3節描述的主機，基于2.1節的數據集，分別訓練各模型5次，選取各模型的最優訓練模型對測試集圖像進行預測分析。統計預測圖像的精確率、召回率、F1值，分析評價模型對小麥籽粒和雜質的分割識別性能。

3.2 臺架測試試驗

試驗地點為農業農村部南京農業機械化研究所東區，試驗時間為2020年7月3日。試驗小麥樣本來源于四川省廣漢市連山鎮惠民農機作業專業合作社小麥試驗田，共3個批次樣本，每批次樣本質量25 kg，小麥品種川麥104，收獲時含水率為11.8%，百粒質量為29.16 g。

試驗臺架由機架、糧箱、刮板升運器、電機和小麥含雜率檢測裝置組成，如圖7所示，采用試驗臺架進行3組試驗。臺架工作時，電機帶動螺旋輸送器轉動，糧箱內的小麥被傳送到刮板升運器上，升運器最上端連接1個出料斗，小麥從出料斗落入糧箱中，部分小麥從出料斗落入小麥含雜率檢測裝置中，小麥樣本檢測完成后，裝置中小麥回落到糧箱內。試驗時，首先準備好試驗臺架，小麥含雜率檢測裝置安裝于試驗臺出料斗下方，連接好設備電源；準備3批次小麥樣品；每批小麥隨機均勻取3個樣本點，參照DG-T 014—2019《谷物聯合收割機》人工檢測樣本的含雜率；將樣品分批次倒入試驗臺，小麥含雜率檢測裝置對樣本動態采樣檢測30次，單次試驗結束后將糧倉內的小麥清除干凈，重復2次試驗；記錄試驗數據，與人工檢測結果進行比較，驗證基于注意力U-Net模型小麥含雜率在線檢測效果。

圖7 試驗臺架結構示意圖

3.3 田間測試試驗

試驗地點為四川省廣漢市連山鎮惠民農機作業專業合作社小麥試驗田，試驗時間為2021年5月16日。試驗田種植小麥品種為川麥104，收獲時含水率為12.3%，百粒質量為31.46 g。本次田間試驗設置了3個行程的重復試驗，單行程長度100 m，作業速度為4 km/h，試驗現場如圖8 所示。試驗過程采用久保田4LZ-5B8型全喂入谷物聯合收獲機進行小麥機械化收獲，將小麥含雜率檢測裝置安裝在收獲機輸糧裝置的出口下方，并連接聯合收獲機車載蓄電池，調試設備；啟動聯合收獲機開始收獲，小麥含雜率檢測裝置自動動態在線檢測作業效果；完成1個行程的田間試驗，停機，在糧箱中隨機均勻取3個樣本，參照DG-T 014—2019《谷物聯合收割機》人工檢測含雜率，用于檢驗該組數據的準確性；取樣完成后清空糧倉內余糧，開機繼續進行收獲試驗，重復2個行程的田間試驗，統計試驗數據，驗證基于注意力U-Net模型小麥含雜率在線檢測性能。

圖8 田間試驗現場

3.4 小麥含雜率計算模型與檢測評價方法

現有的小麥聯合收獲機作業質量檢測方法中，含雜率為樣品中雜質質量占樣本總質量的百分比。根據現有的測定方法，制定了基于像素點的破碎率、含雜率量化模型，計算公式為

(3)

式中Pz——含雜率，%

Tw——預測圖像中籽粒像素點數

Tz——預測圖像中雜質像素點數

W——圖像每1 000像素點的雜質平均質量與籽粒平均質量比值，取0.084 1

系統檢測與人工檢測結果平均值取絕對誤差和相對誤差來評估基于注意力U-Net模型小麥含雜率在線檢測效果，計算公式為

(4)

(5)

Raz——含雜率檢測絕對誤差，%

Rrz——含雜率檢測相對誤差，%

4 試驗結果分析

4.1 模型分割識別效果

標準U-Net、PSPNet、DeepLabV3和注意力改進U-Net模型對測試集圖像的分割識別效果如圖9所示。標準U-Net和注意力改進U-Net 模型都生成了更好的樣本成分輪廓，具有更好的連接性和更平滑的通道形狀。DeepLabV3模型雜質的識別效果較好，籽粒輪廓上存在粘連的現象，并且存在部分雜質被誤識別為籽粒的現象。PSPNet模型識別效果最差，存在大面積籽粒未被識別出，且識別的籽粒輪廓不清，粘連現象嚴重。

圖9 不同模型預測識別效果

標準U-Net和注意力改進U-Net 模型在提取大多數與小麥樣本成分相關的特征方面表現更好，包括粘連的籽粒和與雜質相接觸的籽粒，而PSPNet和DeepLabV3模型在這一方面的識別分割效果較差。注意力改進U-Net 模型與標準U-Net相比，消除了由于籽粒堆積粘連造成局部特征信號突變，更好地提取了籽粒。相比于人工標注，各模型都存在漏識別現象，PSPNet模型漏識別最嚴重，標準U-Net模型次之，PSPNet模型和注意力改進U-Net 模型類似?？傮w而言，注意力改進U-Net模型對小麥樣本成分割識別效果是最好的。

標準U-Net、PSPNet、DeepLabV3和注意力改進U-Net模型對測試集圖像預測效果的精確率P、召回率R、F1值和圖像預測處理時間如表1所示。在籽粒和雜質分割識別的精確率方面，注意力改進U-Net模型分別為98.96%和92.12%，比標準U-Net高0.61個百分點和2.15個百分點，比DeepLabV3提高2.95個百分點和0.78個百分點，比PSPNet提高11.02個百分點和14.43個百分點。在籽粒和雜質分割識別的召回率方面，注意力改進U-Net模型分別為62.56%和80.18%，比標準U-Net高12.45個百分點和3.12個百分點，比DeepLabV3提高11.49個百分點和16.77個百分點，比PSPNet提高18.80個百分點和14.61個百分點。在模型的F1值方面，注意力改進U-Net模型分別為76.64%和85.70%，比標準U-Net高10.33個百分點和2.86個百分點，比DeepLabV3提高10.22個百分點和11.62個百分點，比PSPNet提高18.40個百分點和14.67個百分點。在圖像解析時間上，PSPNet模型用時最少，注意力改進U-Net和標準U-Net模型的時間類似，注意力改進U-Net模型單幅圖像的解析時間為0.464 9 s，比PSPNet模型多耗時0.258 5 s?？傮w而言，注意力改進U-Net模型優于其他模型。

表1 不同模型的分割效果

4.2 臺架試驗結果分析

如圖10所示，隨機從臺架試驗采集的圖像中選取一幅圖像，使用Labelme對圖像進行人工標注，分析基于注意力U-Net模型小麥含雜率在線檢測系統在臺架試驗中的圖像分割識別效果。預測結果表明：籽粒的精確率為99.30%、召回率為60.74%、F1值為75.37%；雜質的精確率為93.26%、召回率為82.80%、F1值為87.72%。由此可見，基于注意力U-Net模型預測分割效果良好，能夠實現小麥樣本各成分的有效分割，為樣本含雜率的準確預測奠定了基礎。

圖10 臺架試驗圖像分割識別效果

試驗過程中，試驗臺和基于注意力U-Net模型小麥含雜率在線檢測裝置工作正常，實現小麥樣本動態在線檢測，試驗檢測結果如圖11和表2所示。對于3個批次的小麥樣本含雜率，裝置檢測含雜率最大檢測值出現在批次3樣本檢測中，為5.64%；最小檢測值出現在批次3樣本檢測中，為0.36%。裝置離散點的檢測結果存在較大的波動性，這主要是由于檢測裝置是通過動態拍攝樣本圖像，分析單層圖像信息計算出實時含雜率，當檢測裝置拍攝的圖像中雜質占據較大面積時(如圖9中的中間圖)，此次檢測結果含雜率的數值會很大；檢測裝置拍攝的圖像中雜質占據較小面積時(如圖9中的上圖)，此次檢測結果含雜率的數值會相對較小。樣本中的雜質含量具有隨機性，針對不同的雜質樣本檢測裝置能夠實現有效識別，因此檢測結果的變異系數較高，分別為68.31%、55.12%和70.33%。但是，從含雜率檢測均值來看，裝置的檢測結果相對穩定，3個批次小麥樣本含雜率平均值為1.69%，與人工檢測結果相比，裝置檢測結果提高0.26個百分點。

圖11 臺架試驗結果

表2 臺架試驗含雜率統計結果

4.3 田間試驗結果分析

如圖12所示，隨機從田間試驗采集的圖像中選取1幅圖像，使用Labelme對圖像進行人工標注，分析結合注意力U-Net模型小麥含雜率在線檢測系統分割識別效果。預測結果表明：籽粒精確率為99.34%、召回率為60.31%、F1值為75.05%；雜質精確率為90.56%、召回率為81.34%、F1值為85.70%。由此可見，本文設計的改進U-Net模型田間試驗效果良好，能夠實現田間收獲過程小麥樣本成分的有效分割與識別。

圖12 田間試驗圖像分割識別效果

試驗過程中，基于注意力U-Net模型小麥含雜率在線檢測裝置工作正常，實現小麥樣本動態在線檢測，試驗檢測結果如圖13和表3所示。對于3個行程小麥樣本含雜率，裝置檢測結果含雜率最大檢測值出現在行程1樣本檢測中，為4.53%；含雜率最小檢測值出現在行程1樣本檢測中，為0.22%。由于采樣圖像中雜質分布的隨機性，檢測結果的變異系數較高，分別為72.06%、59.48%和41.95%。但是，從檢測均值來看，裝置檢測結果相對穩定，3個行程的小麥樣本含雜率平均值為1.48%。與人工檢測結果相比，裝置檢測結果高0.13個百分點。雖然裝置與人工檢測結果的數值上存在一定的差異性，但是兩種檢測方法的檢測結果均表明實際作業過程中聯合收獲機含雜率小于2%，聯合收獲機的作業性能符合國家標準。因此，兩種檢測方式對于聯合收獲機作業含雜率是否符合國家標準的定性鑒定結果具有一致性。

圖13 田間試驗結果

表3 田間試驗含雜率統計結果

4.4 討論

小麥含雜率在線檢測系統對小麥樣本圖像成分的識別分割效果穩定，籽粒分割識別精確率大于等于98%，召回率大于等于60%，F1值大于等于75%；雜質分割識別的精確率大于等于90%，召回率大于等于80%，F1值大于等于85%。不同試驗條件下，系統對各成分的識別效果相對穩定，沒有出現較大的波動。

小麥含雜率在線檢測系統離散點抽樣檢測結果具有較大的波動性，這主要是由于系統動態采樣過程中樣本雜質是隨機出現的，當系統采集的樣本圖像中雜質含量較高時，計算得到的含雜率就會較高；當樣本圖像中雜質含量較低時，計算得到的含雜率就會較低。因此，系統單個離散點的檢測結果不能代表聯合收獲機實際收獲情況。但是，裝置的檢測均值較為穩定，各試驗過程，檢測均值的結果差異性較小，檢測均值能夠客觀地反映收獲實際，為駕駛員提供實時的收獲數據。

小麥含雜率在線檢測系統與人工檢測結果存在一定的差異性，主要原因是：人工檢測結果依賴于檢測人員的實際操作，檢驗人員操作不規范，會造成雜質漏揀、谷物籽粒拋撒，從而影響檢測結果的準確性，而在線檢測系統能夠有效避免人為因素的干擾；人工檢測是通過有限的離線樣本進行含雜率檢測，而在線檢測系統能夠實現大樣本數據實時抽樣檢測，彌補了樣本中雜質隨機性所帶來的檢測誤差。因此，雖然與人工檢測結果具有一定的差異性，但小麥含雜率在線檢測系統能夠實現聯合收獲機作業過程大樣本數據實時抽樣檢測，能夠有效地提升檢測效率，具有明顯的先進性。

現階段，我國谷物聯合收獲機智能化程度低，收獲質量嚴重依賴于駕駛員的經驗，聯合收獲機駕駛員在作業前自行調整清選部件上/下篩開度、風機轉速、風門開度和振動篩頻率等參數，但由于這些參數之間的關系比較復雜，并不是每個駕駛員都能熟練掌握，難以保證聯合收獲機處于最優的作業狀態，易造成收獲質量參差不齊。作業過程中含雜率過高時，本文研究的小麥含雜率在線檢測方法能夠為收獲機駕駛員和整機智能控制系統提供實時預警信息，如果是清選部件上篩前段開度設置偏大，智能控制系統將調小上篩前段開度；如果是上篩后段開度和下篩片開度設置偏大，智能控制系統將調小相關篩片開度；如果是風量過小，智能控制系統將調大風板或調高風扇轉速；如果是尾篩設置偏大，造成有些莖稈雜物被拋扔筒重復拋扔，部分雜物通過上篩和下篩進入糧倉，智能控制系統將適當關小尾篩，從而保證機具處于最優作業參數，適時地降低機械化收獲過程的含雜率，進而提升小麥機械化收獲質量。因此，本文研究的小麥含雜率在線檢測系統對提升機械化收獲質量有實際應用意義。

5 結論

(1)提出一種結合注意力的改進U-Net模型的小麥含雜率檢測方法，將模型移植到小麥含雜率檢測裝置上，通過小麥機械化收獲過程動態拍照采樣，識別小麥樣本含雜信息，實現了聯合收獲機作業時小麥含雜率的實時檢測。

(2)結合注意力的改進U-Net模型籽粒和雜質分割識別F1值分別為76.64%和85.70%，比標準U-Net高10.33個百分點和2.86個百分點，比DeepLabV3提高10.22個百分點和11.62個百分點，比PSPNet提高18.40個百分點和14.67個百分點，結合注意力的改進U-Net模型對小麥籽粒和雜質的識別效果最好。

(3)在臺架試驗和田間試驗中，裝置在線檢測含雜率均值分別為1.69%和1.48%，比人工檢測高0.26個百分點和0.13個百分點。相比于人工檢測方法，結合注意力的改進U-Net模型的小麥含雜率檢測方法能夠實現聯合收獲機田間作業過程大樣本數據的實時檢測，克服了檢測樣本雜質隨機性，并通過大樣本數據有效提升了檢測準確性。