简介：《基于卷积神经网络的花生种子筛选识别算法》是一份PDF格式的学术论文，适合从事农业智能化、图像识别及深度学习研究的学生与工程师阅读，针对传统花生种子筛选分类复杂、准确率低、速度慢的问题提出CNN识别方案。研究将花生种子分为完好与破损两类，用1500张图像构建数据库，提取颜色与纹理特征并优化网络结构，最终筛选准确率达98.21%、单粒识别仅16.4ms，为种子质量自动化分选提供了可复现的实验思路与数据参考。压缩包仅含1个PDF文档，整体大小约1.77MB，可直接下载后用阅读器查看摘要、方法原理、网络设计与试验结果；已有141人学习，适合作为论文写作、算法对比或农业AI课程设计的参考资料。
1. 花生种子筛选这件事，为什么非得用卷积神经网络
花生种子的品质筛选，在产线上从来不是小事。霉变粒、破损粒、发芽粒、瘪粒混在好种子里，人工分拣一小时挑不了几斤，眼睛就花了；传统色选机只能看颜色，碰上发芽粒这种颜色变化不明显的，照样漏过去。我接触过不少做农业智能化的团队，聊到最后发现大家卡在同一个点：特征不好定义。你要让工程师写规则说“什么样算霉变”，他能列十条都不够，换个品种又全废。
卷积神经网络（CNN）恰好解决的就是这个问题——它不依赖人写特征，而是从图像里自己学。输入一张花生种子的照片，输出它是“好”还是“坏”，甚至能细分到“破损”“霉变”“发芽”几类。这个标题里的算法，本质就是一套“图像输入 → CNN 特征提取 → 分类输出”的管道，落地到分选设备上，就是给每颗花生拍张照、判个结果、给个气吹信号的事。
这篇笔记不聊论文里那些花哨的模块组合，只讲一套能复现、能跑通、能上产线的方案：从采图标注到模型训练，再到部署到边缘设备上实时分选。新手照着做能跑完一遍完整流程，熟手可以参考后面的参数设置和踩坑记录调自己的数据。
2. 训练数据从哪来：花生图像采集、标注与增强
2.1 拍什么样的图，模型才认
很多人上来就找公开数据集，但花生种子这种农业物料，公开数据几乎为零，最后都得自己拍。别急着上高分辨率工业相机，先想清楚一个问题：你的分选设备上，摄像头离花生多远、拍出来是多大？训练数据的成像条件必须跟部署现场一致，否则模型在实验台上准确率98%，上了产线直接翻车。
采集时我会按这四条来：
- 背景固定：用和产线一致的传送带背景色，常见的是黑色或深绿色橡胶带，方便后续分割。
- 光照均匀：用环形无影灯，避免花生表面反光形成高光斑块，那会盖住霉变纹理。
- 单粒拍摄：如果产线是单粒排列的，训练图就拍单粒；如果是散堆拍摄，就要先做目标检测再裁剪分类，别混着来。
- 多角度覆盖：花生是椭球体，霉变可能长在侧面或底面。理想做法是加一个翻转机构拍两面，或者至少让训练集里包含各种姿态。
采集数量上，每类至少1000张起步。四类就是4000张，加上增强后能到一两万。这个量级对CNN分类任务才算及格。
2.2 标注：别自己做，五人交叉复核
标注工具我用LabelImg或X-AnyLabeling，导出VOC格式的XML，再转成分类任务的目录结构。花生筛选识别一般不做检测框，直接整图分类，目录结构长这样：
data/ train/ good/ # 饱满好粒 mold/ # 霉变粒 broken/ # 破损粒 germinated/ # 发芽粒 val/ good/ mold/ broken/ germinated/标注的坑在于“边界样本”。比如一颗花生只有针尖大的霉点，算不算霉变？这种模糊样本如果标得不一致，模型训练时梯度会来回震荡。我的做法是：标注规范里写死——霉斑面积超过该粒投影面积5%算霉变，低于5%算好粒。然后让两个人独立标同一批图，算Kappa系数，低于0.8就讨论校准，直到收敛。
注意：标注一致性比标注数量更重要。1000张标得一致的图，效果优于3000张前后矛盾的图。
2.3 数据增强：别把花生当自然图像处理
CNN最怕的就是过拟合，数据增强是防过拟合的第一道防线。但花生图像有特殊约束：你增强出来的图，必须还是“检测设备会看到的样子”。
我用PyTorch的torchvision.transforms做增强，核心配置如下：
import torchvision.transforms as T train_transform = T.Compose([ T.RandomRotation(degrees=30), # 花生姿态随机，旋转30度内合理 T.RandomAffine(translate=(0.1, 0.1)), # 轻微平移模拟传送带抖动 T.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.2), # 光照波动 T.RandomResizedCrop(size=(224, 224), scale=(0.8, 1.0)), T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transform = T.Compose([ T.Resize((224, 224)), T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])这段代码里值得解释的几个参数：RandomRotation的degrees设成30而不是360，是因为花生在传送带上不会倒扣，旋转范围超出物理可能只会让模型学错东西；RandomResizedCrop的scale下限0.8，防止把花生裁掉一大块变成“残次样本”。mean/std直接用了ImageNet的统计值，因为后面要加载预训练权重，输入分布必须对齐。
增强策略上有一条经验：不要对“好粒”和“坏粒”用对称的增强强度。霉变这种缺陷特征是细微纹理，太强的色彩抖动会把霉斑洗没了。我会对霉变类额外做T.RandomGrayscale(p=0.1)，模拟不同色温下的表现，但不动它的亮度抖动幅度，保持缺陷纹理清晰。
3. 模型选型与训练：从ResNet到轻量化网络
3.1 CNN结构怎么选，算力说了算
常见的卷积神经网络结构图从AlexNet到ResNet、DenseNet一路画下来，但花生分选产线不用追最先进的模型。你部署的目标设备决定了模型的上限：如果后端是NVIDIA Jetson Orin，可以用ResNet50；如果是RK3588或树莓派级别的设备，就得用MobileNetV3或ShuffleNetV2。
这里贴一张我的选型对比表，按实际测试经验给参考：
| 模型 | 参数量 | 单张推理耗时（CPU） | Top-1准确率 | 部署难度 |
|---|---|---|---|---|
| ResNet18 | 11.7M | 约35ms | 93.5% | 低 |
| ResNet50 | 25.6M | 约85ms | 95.1% | 低 |
| MobileNetV3-Large | 5.4M | 约12ms | 94.3% | 中 |
| ShuffleNetV2 | 2.3M | 约9ms | 92.8% | 中 |
产线上分选速度一般是每秒10到30颗，单颗给到模型的推理时间预算只有30到100毫秒。Jetson上用ResNet18没问题，但纯CPU设备直接上ResNet50就会卡住流水线。我的原则是：先用ResNet18把流程跑通确认可行性，再按算力预算换轻量网络，最后用剪枝算法压一遍模型尺寸。
3.2 迁移学习：用ImageNet的预训练权重做起点
农业图像和ImageNet的场景差异很大，但底层纹理特征（边缘、形状、颜色块）是通用的。加载预训练权重做迁移学习，不仅收敛快，还能用小得多的数据量达到可用精度。直接跑的代码骨架如下：
import torch import torch.nn as nn from torchvision import models # 加载预训练ResNet18，替换最后一层分类头 model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) num_features = model.fc.in_features model.fc = nn.Linear(num_features, num_classes) # num_classes=4 # 锁定前几层特征提取器，只训练高层 for name, param in model.named_parameters(): if 'layer4' not in name and 'fc' not in name: param.requires_grad = False optimizer = torch.optim.AdamW(model.fc.parameters(), lr=1e-3) criterion = nn.CrossEntropyLoss()冻结前几层、只微调layer4和全连接层，这个做法的逻辑是：浅层卷积学到的颜色边缘信息在花生和ImageNet图像间是通用的，不需要重新学；深层特征才和具体任务绑定。如果数据量只有每类几百张，强烈建议这样冻结；如果数据量上万，可以解冻全部层但把学习率调低到1e-4。
3.3 训练参数：学习率、批大小与早停
训练参数是新手最容易靠玄学调的地方。我调过几十轮以后，给出一个稳定的基线配置：
BATCH_SIZE = 32 EPOCHS = 50 LR = 1e-3 LR_MIN = 1e-5 WEIGHT_DECAY = 1e-4 # 余弦退火学习率调度 scheduler = torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max=EPOCHS, eta_min=LR_MIN ) # 早停：连续7个epoch验证集loss不下降就停 best_val_loss = float('inf') patience = 0 for epoch in range(EPOCHS): train_one_epoch(model, train_loader, optimizer, criterion) val_loss = evaluate(model, val_loader, criterion) if val_loss < best_val_loss: best_val_loss = val_loss torch.save(model.state_dict(), 'best_model.pth') patience = 0 else: patience += 1 if patience >= 7: print(f'Early stop at epoch {epoch}') break scheduler.step()批大小32在单张12GB显存的卡上跑224×224完全够用。学习率从1e-3开始，预热不需要做，因为只训练顶层；如果解冻全网络，学习率必须降一个数量级。权重衰减1e-4对四分类小数据集是偏大的值，但能显著压低边界样本上的过拟合现象。
训练过程要监控的不只是loss。我习惯每轮打印四个数字：训练loss、验证loss、验证准确率、每类的召回率。花生筛选尤其看重霉变类的召回率——漏掉一颗霉变粒比错杀一颗好粒严重得多，因为霉变粒会影响整批种子的发芽率。召回率低于95%就说明模型对霉变的特征还没吃透，得回去查数据或调损失函数权重。
4. 类别不均衡与损失函数调优
4.1 问题来源：坏粒样本天然稀少
产线采集时，好粒占了绝大多数，霉变粒、破损粒本来就少。如果按自然分布训练，模型会把所有输入都判成“好粒”也能拿到90%以上的准确率，但这毫无用处。解决不均衡有两条路：数据层面做重采样，损失函数层面做加权。
数据层面最简单的是对少量类别复制采样，WeightedRandomSampler是PyTorch自带方案：
from torch.utils.data import WeightedRandomSampler # 按类别样本数的倒数设置权重 label_counts = [3000, 500, 400, 600] # good, mold, broken, germinated weights = [1.0 / count for count in label_counts] sample_weights = [weights[label] for label in all_labels] sampler = WeightedRandomSampler(sample_weights, num_samples=len(all_labels), replacement=True)4.2 Focal Loss：把难例的梯度拉出来
重采样解决数量不均衡，但解决不了“难易不均衡”。大部分霉变粒一眼就能认出，模型很快学会，剩下那几颗边界样本才是精度的天花板。Focal Loss是标准的对策，它压低易分样本的loss贡献，让模型把注意力放在难分样本上。实现代码不长：
class FocalLoss(nn.Module): def __init__(self, alpha=None, gamma=2.0): super().__init__() self.alpha = alpha # 类别权重，shape=(num_classes,) self.gamma = gamma # 聚焦参数 def forward(self, logits, targets): ce_loss = nn.functional.cross_entropy(logits, targets, reduction='none') pt = torch.exp(-ce_loss) # 对当前样本的预测置信度 focal_loss = (1 - pt) ** self.gamma * ce_loss if self.alpha is not None: alpha_t = self.alpha[targets] focal_loss = alpha_t * focal_loss return focal_loss.mean()gamma值的设置直接影响模型行为：gamma=0时Focal Loss退化成标准交叉熵；gamma=2是论文原版推荐值；gamma越大，模型越关注难例，但也越容易在噪声标注上过拟合。我建议先去1.5，看验证集霉变类召回率是否提升，如果提升不明显再加到2。
4.3 阈值后处理：用验证集重新校准决策边界
模型最后一层softmax输出的概率分布，默认取argmax作为最终判断，但这不是最优策略。花生分选里，错杀好粒和漏过坏粒的代价不对等，你需要一个可调的决策阈值。做法是在验证集上搜索最佳阈值，让“坏粒召回率≥98%”同时“好粒准确率尽量高”：
from sklearn.metrics import precision_recall_curve import numpy as np # 假设valid_preds是每个样本各类别的softmax概率 # valid_labels是真实标签，坏粒合并为"bad"类 bad_prob = valid_preds[:, 1] + valid_preds[:, 2] + valid_preds[:, 3] prec, rec, thr = precision_recall_curve(valid_labels, bad_prob) best_thr = thr[np.argmax(rec >= 0.98)] # 保证召回98%下选最大精度阈值这个阈值在部署时会直接写进推理脚本，比改网络结构便宜得多且立竿见影。
5. 避坑指南：花生种子筛选识别里最常见的5个翻车点
5.1 背景分割不干净，模型学到的是背景
现象：训练集准确率99%，测试集只有80%，而且错判样本看起来毫无规律。
原因：采图时光照不均，花生周围有阴影，CNN学会了用背景明暗判断类别。比如深色霉变花生在深色背景下边界模糊，模型干脆把“暗背景”当成了“坏粒”特征。
解决：在预处理阶段加一步背景分割，提取mask后再送入分类网络。传统CV用Otsu二值化就能解决，如果传送带纹理复杂，用rembg这类分割模型打一层底。分割后的图像统一贴到纯色背景上，保证背景不干扰特征学习。
5.2 数据增强把花生方向搞乱了
现象：验证集上发芽粒和破损粒总是混淆，但训练时loss正常下降。
原因：RandomRotation旋转角度开得太大，比如设了90度或180度。实际上花生在产线上的姿态变化只在±30度以内，旋转过大生成了大量物理上不可能出现的“倒立花生”，模型被迫学了一个错误的面面观，浪费了表达能力。
解决：rotation范围收窄到±20度，用RandomAffine模拟传送带上轻微抖动就够了。任何增强参数都要问一句：部署环境里真的会出现这种样本吗？不会出现就别加。
5.3 类别权重设置不当导致过拟合
现象：霉变类召回率先升后降，训练loss持续下降但验证loss在第10个epoch后反弹。
原因：Focal Loss的alpha权重设太高，模型把霉变类样本反复咀嚼，最后把边界样本的噪声细节也背下来了。每次epoch看到的是同一批增强图，增强强度不够时特别容易复现。
解决：alpha权重不要超过2.0，gamma从1.0起调。同时增强强度尤其是ColorJitter的幅度要为少数类单独加大，用更多的图像扰动对抗过拟合，而不是堆更高的类别权重。
5.4 部署时输入尺寸和训练时不一致
现象：PyTorch里推理准确率95%，转成ONNX后只有70%，而且集中在颜色纹理类别的判断上。
原因：部署端的图像预处理用的是OpenCV的BGR通道顺序，模型训练时用的是PyTorch的RGB。通道顺序变了，颜色类特征全乱套。这类问题在转模型的节点上极其常见，不是模型坏了，是数据没对齐。
解决：写一个推理前的图像预处理函数，显式做cv2.cvtColor(img, cv2.COLOR_BGR2RGB)，再除以255标准化，再按训练时的mean/std做归一化。这个函数写完后，拿训练集里的原图跑一遍，对比PyTorch输出和ONNX输出的softmax向量是否一致，误差小于1e-4才放行。
5.5 产线实时性与模型精度打架
现象：模型测试时准确率够，但一接上传送带就出现漏检，因为相机帧率跟不上。
原因：相机采集、图像传输、推理、气吹执行，整条管道延迟没做预算。模型推理只占30ms，但图像从相机到内存再预处理可能又吃掉50ms，加起来超了分选节拍。
解决：用事件驱动架构而非轮询。相机触发信号到来时，直接送入GPU显存做预处理和推理，用CUDA Tensor替代CPU numpy数组，能把Opencv那套resize和normalize的开销省掉大半。或者更简单：缩小输入分辨率到192×192，精度损失不到0.5%，但推理时间能降40%。
6. 部署到产线：ONNX导出与推理脚本的核心技巧
模型训练完只是第一步，产线要的是实时推理。我一般先把PyTorch模型导出成ONNX，再用ONNX Runtime跑推理，这样部署端不依赖PyTorch环境，也方便换TensorRT加速。导出与验证脚本如下：
import torch import onnxruntime as ort import numpy as np # 导出ONNX model.eval() dummy_input = torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy_input, "peanut_sorter.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}, opset_version=12 ) # 用ONNX Runtime加载并验证一致性 ort_session = ort.InferenceSession("peanut_sorter.onnx") np_input = dummy_input.numpy() onnx_output = ort_session.run(None, {"input": np_input})[0] with torch.no_grad(): torch_output = model(dummy_input).numpy() print("Max diff:", np.abs(onnx_output - torch_output).max())这个脚本有两点值得说：dynamic_axes允许推理时batch size可变，产线上必要时可以攒几颗一起推理，用吞吐换延迟；opset_version用12比较稳，太高版本在老设备的推理引擎上不一定支持。导出后必须跑一次最大误差检查，误差超过1e-4就说明导出过程有问题，查opset或算子兼容性。
推理脚本里有一处产线工程师容易忽略的地方：预处理要和训练端严格一致。我在部署代码里固定这样一个处理链：
def preprocess(image_bgr): img_rgb = cv2.cvtColor(image_bgr, cv2.COLOR_BGR2RGB) img_resized = cv2.resize(img_rgb, (224, 224), interpolation=cv2.INTER_LINEAR) img_float = img_resized.astype(np.float32) / 255.0 mean = np.array([0.485, 0.456, 0.406], dtype=np.float32) std = np.array([0.229, 0.224, 0.225], dtype=np.float32) img_norm = (img_float - mean) / std return np.transpose(img_norm, (2, 0, 1))[np.newaxis, ...]这段代码里最容易被改错的坑是astype(np.float32)和除255的顺序。有人图省事直接cv2.resize后转tensor，忘了float32转换，导致后续所有数值都是int型的除法，归一化结果直接错掉。这类bug不在模型侧，在工程侧，而且debug极难发现。
我自己的习惯是：把验证集里所有图像跑一遍，导出每张图的softmax概率矩阵，存成npy文件。部署环境里用同一套图和同一套预处理跑一次，和npy做逐元素对比。两者完全一致，才说明部署镜像是对的。
最后说一条选型经验：如果分选速度要求超过每秒20颗，直接放弃CPU推理，哪怕用Jetson Nano这种入门级GPU也比桌面级CPU强。花生筛选识别的天花板不在模型结构上，在设备和工程的配合上。希望帮到你。
本文还有配套的精品资源，点击获取
-vₜ(s)】【A可以平衡exploitation与exploration】)
