近日，云南農(nóng)業(yè)大學茶學院王白娟教授團隊聯(lián)合浙江大學王岳飛教授團隊在中科院一區(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）小目標異物檢測：基于深度學習的改進型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)研究專項、云南省茶產(chǎn)業(yè)人工智能與大數(shù)據(jù)應(yīng)用創(chuàng)新團隊和云南省勐?？h智慧茶產(chǎn)業(yè)科技特派團的支持，通過采用深度學習技術(shù)，構(gòu)建并優(yōu)化了一個基于深度學習的茶葉中的小目標異物檢測模型，為普洱曬青毛茶小目標異物檢測提供了切實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習的改進型YOLOv8神經(jīng)網(wǎng)絡(luò)。針對傳統(tǒng)YOLOv8網(wǎng)絡(luò)的缺點，為進一步增強模型對異物靶點的識別能力，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，強化對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對原損失函數(shù)進行了優(yōu)化，通過Receptive-Field Attention Convolution技術(shù)對部分網(wǎng)絡(luò)結(jié)構(gòu)進行替換，并嵌入Double Attention Networks優(yōu)化網(wǎng)絡(luò)。

研究結(jié)果顯示，改進型YOLOv8神經(jīng)網(wǎng)絡(luò)模型對普洱曬青毛茶異物檢測的精確率達到了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主流檢測模型相比，改進型YOLOv8網(wǎng)絡(luò)模型的mAP值分別實現(xiàn)了4.48%、6.66%、13.63%、13.20%和9.84%的顯著提升。

準確高效自動化異物檢測 

基于深度學習網(wǎng)絡(luò)，該項研究完成了對茶葉中的小目標異物檢測模型的開發(fā)，對茶葉生產(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的準確性和效率，有助于保障消費者健康和提升產(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)。