基于改进YOLOv9-c-Ghost-Forward模型的大豆种子表面缺陷智能检测研究

为解决传统大豆种子缺陷检测依赖人工、效率低下的问题，海南师范大学刘传明团队创新性地将GhostConv模块引入YOLOv9-c架构，开发出YOLOv9-c-ghost-Forward模型。通过灰度转换、高斯滤波等图像预处理技术结合SE注意力机制和SCConv模块，实现98.6%召回率和99.2% mAP0.5的检测精度，为农业育种筛选提供了高效智能解决方案。

　　

大豆作为全球最重要的油料作物之一，其种子质量直接影响产量和农产品安全。传统检测依赖人工目检，存在效率低（每天仅能检测约2000粒）、主观性强（不同检验员结果差异达15%）等问题。尤其值得注意的是，表面破损的种子会导致田间出苗率下降30%-50%，而病斑种子更可能引发大规模病虫害传播。海南师范大学数据科学与智慧教育教育部重点实验室刘传明团队在《Scientific Reports》发表的研究，通过深度学习技术为这一农业痛点提供了创新解决方案。

研究团队采用Kaggle公开数据集（4388张图像，含完整、破损、表皮损伤和斑点四类种子），关键技术包括：1）图像预处理（加权灰度转换+5×5高斯滤波+Otsu阈值分割）；2）模型改进（在YOLOv9-c基础上集成GhostConv轻量化模块+SE注意力机制+SCConv自校准卷积）；3）性能评估（mAP_0.5、PR曲线等指标）。所有实验在NVIDIA RTX 4090显卡平台完成，使用PyTorch 2.3框架。

图像预处理环节显示，5×5高斯滤波的信噪比（SNR=1.951）显著优于中值滤波（1.945）。形态学操作中，开-闭序5×5核处理能有效保留种子几何特征的同时消除90%以上孔洞噪声。模型改进方面，引入Ghost模块的YOLOv9-c-ghost-Forward仅增加2%参数量，却使精度提升7.8个百分点。值得注意的是，该模型在斑点种子检测中表现尤为突出，这得益于Ghost模块对细微纹理变化的捕捉能力。

对比实验数据表明：基础版YOLOv9-c的mAP_0.5为89.6%，加入SE注意力机制后提升至98.9%，而最终改进版达到99.2%。在F1分数（0.96）和AUC值（0.89）上也全面超越对比模型。与同类研究相比，该成果比Xia等2024年提出的ECA-Improved-YOLOv5s-Mobilenet模型精度提高5.8个百分点。

研究结论指出，YOLOv9-c-ghost-Forward模型首次实现了农业场景下亚毫米级种子缺陷的实时检测（单图处理时间<50ms）。其创新性体现在：1）通过Ghost模块的线性变换生成"伪特征"，将计算复杂度降低40%；2）SCConv模块的跨通道校准机制使小目标检测误差减少62%。讨论部分强调，该技术推广后预计可使种子筛选成本下降70%，但需进一步优化以适应边缘计算设备。未来研究将扩展多分类功能，区分机械损伤与病理性缺陷，为智慧农业提供更精准的技术支撑。