本文档属于类型a，以下为生成的学术报告：
本文由Yuzhuo Zhang、Chengxu Lv、Decheng Wang、Wenhua Mao和Jia Li共同完成，分别来自中国农业大学工程学院和中国农业机械化科学研究院集团有限公司。该研究于2022年4月7日发表在期刊《Computers and Electronics in Agriculture》上，文章标题为《A novel image detection method for internal cracks in corn seeds in an industrial inspection line》。
玉米是全球广泛消费的粮食作物，也是饲料、食品等行业的基础原料。在玉米种子的加工过程中，内部裂纹（internal cracks）是一个难以检测的问题，这些裂纹通常产生于种子的内胚乳侧，影响种子的种植质量和其他属性。传统的检测方法主要依赖于声学和图像处理技术，但这些方法在处理大量随机排列的种子时存在困难。近年来，随着深度学习算法的发展，特别是卷积神经网络（CNN）的优化，研究者们开始探索将深度学习与图像处理相结合的方法，以提高检测的准确性和效率。本研究的目的是开发一种新的检测方法，结合深度学习算法和边缘检测阈值处理，用于工业生产线上的玉米种子内部裂纹检测。
本研究包括以下几个主要步骤：
材料准备
研究使用了郑单958玉米种子，含水量约为29%，共使用了20,000粒种子进行实验。由于内部裂纹无法通过肉眼区分，研究采用了透光法进行识别。
检测设备与软件
研究设计了一种基于玉米种子内部裂纹特性的检测设备，设备包括光源开关、主控计算机、传输种子板、整体框架和两个图像采集暗箱。主控计算机通过裂纹检测软件控制设备的运行，种子随机落在传输种子板上，图像采集暗箱采集种子图像，并通过软件开发包将图像传输到主控计算机进行检测。
数据集构建
研究使用了5列8行的种子板，随机选择了8000粒玉米种子进行实验。为了模拟工厂流水线，种子被随机放置在种子板上。通过调整光源的位置，共采集了10,000张种子板图像。数据集分为传统目标检测方法和新方法两部分，分别使用LabelMe和RoLabelImg进行标注。
新方法开发
研究开发了一种新的检测方法，结合了深度学习算法和边缘检测阈值处理。该方法基于优化的S2ANet模型，通过图像加载后的权重标记种子位置，获取切片后的单粒种子图像，并根据坐标点信息进行角度定位和方向统一。随后，选择合适的边缘检测算子（如Laplacian、Canny和Sobel）对图像进行处理，最终通过深度学习算法进行内部裂纹检测。
旋转目标检测算法选择
研究对比了R-CenterNet和S2ANet两种旋转目标检测算法，最终选择了S2ANet进行优化。通过引入可变形卷积网络（DCN）、CutMix数据增强、组归一化（GN）和金字塔注意力网络（PAN），进一步提高了模型的检测精度。
种子方向调整与边缘检测处理
在种子检测过程中，研究通过标记种子的顶部和胚芽区域，统一了种子的方向。随后，使用边缘检测算子对图像进行处理，减少了光照和种子结构带来的偏差，最终通过轻量级模型进行裂纹定位。
传统目标检测算法的直接应用
研究对比了YOLOX、YOLOv5和EfficientDet系列算法，发现仅使用深度学习算法进行内部裂纹检测时，单粒种子的检测准确率低于70%。
新方法的实验结果
通过优化后的S2ANet模型，研究在10次试验中获得了95.91%的平均精度（AP），平均召回率为94.8%，平均F1值为95.34%。在单粒种子类型（裂纹/无裂纹）的实验中，裂纹种子的识别准确率为95.08%，无裂纹种子的识别准确率为95.75%。
系统测试结果
研究开发的软件在测试中能够准确分类裂纹和无裂纹种子，测试结果显示，新方法在裂纹种子的检测中表现优异，平均精度和召回率均超过95%。
本研究开发了一种新的检测方法，结合了深度学习算法和边缘检测阈值处理，成功解决了玉米种子在工业生产线上随机排列和方向不确定的问题。优化后的S2ANet模型在检测精度上显著优于传统深度学习算法，为玉米种子内部裂纹的检测提供了有效的解决方案。同时，该方法也为其他植物种子的无损检测提供了新的思路。
研究还探讨了模型的计算复杂度和检测速度问题，提出了未来可以通过迁移学习等方法进一步优化检测速度的建议。此外，研究还提供了详细的实验数据和模型优化过程，为后续研究提供了参考。