胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改...胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改进YOLOv8的疫苗胚蛋活性检测模型。采用自主设计图像采集装置,采集孵化10~11 d的胚蛋图像,通过几何变换、颜色调整、图像增强等方式构建并扩充数据集;采用Shuffle Net V2替换YOLOv8模型的骨干网络,在保持准确率的同时显著减少了计算复杂度,能更好地部署到嵌入式设备中;在YOLOv8颈部网络的卷积层后添加动态蛇形卷积层,通过其自适应地聚焦于细长和迂回的局部结构,准确地捕捉管状结构的性质特征,从而提高胚蛋检测的准确率;使用EIOU(embedding intersection over union)损失函数,用于适应研究中边界框对齐和形状相似的场景,构建了符合试验中胚蛋图像的网络模型,以实现疫苗胚蛋活性快速、无损、批量检测。试验结果表明,改进YOLOv8模型精确率、召回率、平均精度均值(m AP_(50-95))分别达99.2%、98.2%、96.9%,对比原始YOLOv8模型分别提高了2.0、0.3、1.5个百分点,模型计算复杂度与推理时间相较与原模型分别降低60.9%、60.5%。说明此模型可以更好地实现疫苗胚蛋活性无损检测,为自动化批量检测提供理论依据。展开更多
文摘胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改进YOLOv8的疫苗胚蛋活性检测模型。采用自主设计图像采集装置,采集孵化10~11 d的胚蛋图像,通过几何变换、颜色调整、图像增强等方式构建并扩充数据集;采用Shuffle Net V2替换YOLOv8模型的骨干网络,在保持准确率的同时显著减少了计算复杂度,能更好地部署到嵌入式设备中;在YOLOv8颈部网络的卷积层后添加动态蛇形卷积层,通过其自适应地聚焦于细长和迂回的局部结构,准确地捕捉管状结构的性质特征,从而提高胚蛋检测的准确率;使用EIOU(embedding intersection over union)损失函数,用于适应研究中边界框对齐和形状相似的场景,构建了符合试验中胚蛋图像的网络模型,以实现疫苗胚蛋活性快速、无损、批量检测。试验结果表明,改进YOLOv8模型精确率、召回率、平均精度均值(m AP_(50-95))分别达99.2%、98.2%、96.9%,对比原始YOLOv8模型分别提高了2.0、0.3、1.5个百分点,模型计算复杂度与推理时间相较与原模型分别降低60.9%、60.5%。说明此模型可以更好地实现疫苗胚蛋活性无损检测,为自动化批量检测提供理论依据。
