基于YOLO-AE深度学习模型的白茶风选参数实时调控系统设计与试验

《Frontiers in Plant Science》：Design and experiment of tea winnowing parameter control system based on YOLO-AE

本文提出了一种基于改进YOLOv11模型（YOLO-AE）的茶风选参数智能调控方法。通过引入ACmix混合注意力模块与EUCB特征增强模块，模型识别精度提升2.1%，检测时间缩短40%（mAP0.5达0.93）。结合区域分割与流体-固体耦合理论，系统可实时分析白茶等级比例并自动调整风机频率与分选板位置，使不同批次白茶优质茶比例差异稳定在3%以内，为茶叶精准风选装备研发提供理论支撑。

　　

1 引言

白茶风选是茶叶加工中的关键环节，传统依赖人工经验调整参数导致分选质量不稳定。针对夏秋茶杂质多、价值低的问题，研究团队基于深度学习技术，构建机器视觉与风选机联动的智能分选方案。现有研究多集中于光谱分类或YOLO模型芽叶识别，但存在实时性不足、相似茶类区分精度低等问题。本文通过改进YOLOv11模型，实现小目标白茶成分的快速精准识别，结合风选理论实现参数自适应调控。

2 材料与方法

2.1 实验材料

以白茶原料为研究对象，包含优质白茶（单芽制银针）、次级白茶（一芽一叶/二叶制白牡丹）及黄片杂质三类成分（图1）。通过工业相机（acA1920-150uc）在蓝色背景板上采集1095张样本图像，经色彩调整与镜像增强后扩至5756张数据集。

2.2 风选实验平台

实验平台由茶叶识别系统、分离器位控系统及风选机构成（图2）。振动喂料器均匀投料，摄像头捕捉滑道图像，识别系统实时计算各成分比例，通过PLC控制风机频率、栅格位置与喂料量。

2.3 识别模型构建

在YOLOv11基础上引入ACmix模块（融合自注意力与卷积操作）和EUCB模块（通过双线性上采样与深度可分离卷积增强小目标特征）。如公式(1)(2)所示，ACmix通过可学习标量平衡注意力与卷积路径输出，EUCB采用DWC-BN-ReLU序列提升特征鲁棒性。对比Faster R-CNN、SSD、YOLOv11的试验表明，YOLO-AE模型权重仅6.3M，识别精度（Precision=0.82, Recall=0.90, mAP_0.5=0.89）最优，单帧处理时间<45ms（表2）。

2.4 成分统计分析

通过区域分割算法提取识别框内茶叶图像，计算S通道阈值分割面积占比（图6）。结合实测密度参数（表1），根据面积与重量关系反推各等级茶叶比例，为风选参数调整提供依据。

2.5 参数调控机制

基于流体仿真结果，通过步进电机驱动螺杆调整分选板左右位置（图7）。上位机系统集成风机频率、喂料频率等参数，支持手动/自动控制模式（图8）。

3 结果与讨论

3.1 模型训练对比

YOLO-AE模型在300轮训练后收敛（图12），cls_loss降至0.47，较原YOLOv11模型精度提升3%，参数量仅增3%。相比YOLOv5，参数减少61%且精度更高（表2）。

3.2 识别系统验证

以85%优质茶、10%次级茶、5%杂质比例的混合茶进行10次试验（图13），各类别识别准确率均>90%，标准偏差<9.75，成分比例统计误差≤±0.8%（表3）。与黄等人研究相比，识别精度提升1-3%。

3.3 风选系统试验

对比两种原料比例（85%/10%/5% vs 70%/22%/8%）的风选效果（表4），系统根据识别结果自动调整风机风速（差值1.1-2.7m/s）与分选板位移（差值1.3-3.1cm），使两批次优质茶出口含量差异<3%，证明系统可适应不同批次茶料变化。

4 结论

YOLO-AE模型通过ACmix与EUCB模块优化，显著提升小目标白茶识别精度与速度。结合风选参数实时调控系统，可在5秒内完成参数自适应调整，优质茶分选稳定性满足实际生产需求。该系统为茶叶智能化分选装备开发提供了关键技术支撑。