简介：面向农业工程与深度学习交叉领域，这份文献系统地提出了基于卷积神经网络（CNN）的花生种子筛选识别算法，针对传统人工筛选和基础图像处理在分类复杂度、准确率及速度上的不足，给出了端到端的自动化检测解决方案。研究者收集1500张完好与破损花生图像构建样本库，设计卷积层与池化层自动提取颜色和纹理特征，经网络参数优化后，筛选准确率达98.21%，单粒识别速度仅为16.4毫秒，能够满足现代农业生产对种子筛选的效率要求。资源为1个PDF文件，压缩包大小1.77MB，当前已有141人学习浏览。文档涵盖完整的算法原理、网络结构、实验设计与结果对比分析，可服务于农业智能化检测、深度学习图像识别等方向的研究者和学生，亦可作为相关课题论证、课程设计及论文写作的有效参考。

1. 花生种子筛选识别：卷积神经网络从人工目检的哪一步开始切入

“花生种子筛选识别”放到一条真实的加工产线上，就是工人坐在传送带旁边，靠肉眼一粒一粒挑出霉变粒、破损粒、瘪粒，重复同一个动作几万次，注意力一松散，漏检率就跟着升。用卷积神经网络加一个普通工业相机做识别算法，可以把“人眼判断”替换成“模型评分”，把筛选标准固定成可重复执行的程序。这篇笔记写给自己做农业视觉落地的工程师和研究生同学，从任务定义、数据准备、模型训练，一直讲到上线前的阈值校准和验证。适合已经决定要上这个方向、需要知道怎么做、坑在哪、参数怎么设的读者。

2. 花生种子的分类边界：定类别、定输入、定输出

花生筛选的本质是给每一粒花生打标签。很多同学拿到需求后的第一反应是“图像分类”，直接套一个分类网络，但真正决定模型上限的不是网络结构，而是标签定义。花生种子筛选不是几十个类别的物体识别，它是细粒度分类，类间差异极小：正常粒和霉变早期之间的差异，可能只是表面一小块发暗的灰绿色区域；破损粒和正常粒的麻皮断纹，在低分辨率下看起来也很接近。这一章先把分类边界和输入输出定清楚，后边的训练才不会白费。

2.1 要分几类才够用：四类标签与最容易混淆的边界

我一般建议第一版只分四类：正常粒、霉变粒、破损粒、瘪粒。这个四分法跟大多数花生加工厂的品控标准对得上，也方便后续做合格率统计。正常粒要求表皮完整、颜色均匀、颗粒饱满；霉变粒指表面出现灰绿色、黑褐色霉斑或整体发暗的籽粒；破损粒包含裂口、破碎、半粒；瘪粒则是干瘪、皱缩、成熟度不足。四类之外的特殊情况，比如异色粒、虫蚀粒，先归入“不合格”整体处理，不要单独开类。

分类数一旦超过五个，标注一致性就会出问题。不同标注员对“轻度霉变”和“正常粒偏暗”的边界判断完全不同，模型在标签噪声大的数据上训练，上限立刻被拉低。还有一个容易忽略的点：类别名称一定要用英文字母做目录名，中文路径在 Linux 服务器和 Windows 之间复制时经常出编码问题，这类问题排查起来非常耗时。

2.2 传统图像处理为什么在花生麻皮上集体翻车

动手之前先回答一个“要不要上卷积神经网络”的选型问题。传统方案最常见的是 HSV 阈值分割加形态学处理，通过色相和饱和度把霉斑区域筛出来。听起来简单，但花生表皮本身就是麻皮结构，正常粒上也有大量褐色斑点，不同产区的花生底色从浅粉到深褐跨度很大，单一阈值几乎必然把正常粒表面的麻点误判成霉变。换一个品种，阈值就得重新调一遍，维护成本极高。

SVM 加 HOG 特征做过纹理分类，对破损粒的边缘断裂敏感，但对霉变早期的颜色渐变几乎不响应，而且需要手工设计特征组合。花生的品种一变，纹理统计分布就漂移，模型就要返工。卷积神经网络是端到端地从数据里学颜色和纹理的联合特征，加上 ImageNet 预训练权重的迁移能力，几百上千张样本就能稳定起步，换产线时只需要补充新批次数据做微调。这个“一次训练，迁移复用”的特性，才是它在花生筛选场景里替代传统视觉的真正理由。

2.3 输入输出设计：单粒识别优先，ROI 裁剪是前提

输入设计上，我坚持一个原则：单粒识别，不做整盘识别。产线上的花生是流动的，相机抓拍后先通过轮廓检测或者轻量检测网络把每一粒花生裁出来，再送入 CNN 做分类。如果直接把一整盘或者一段传送带图像丢给分类网络，模型会学到“图里有多少颗、排布长什么样”这类全局统计信息，而不是在学单粒的状态特征；一旦传送带上花生密度变了，准确率立刻跳水。

输出层就是类别数对应的 Softmax，四类就输出四个概率。有些厂只关心“合格还是不合格”，可以训练二分类，但四分类的信息量更大，后处理阶段按业务需求合并就行，所以第一版我总建议直接上四分类。输入分辨率用 224×224 就够，花生的纹理尺度不大，分辨率再提上去，训练成本和过拟合风险增加，精度提升有限；低于 160 时麻皮纹理和霉斑细节会丢失，不建议。

3. 训练数据从哪来：采集、标注、增强与数据集拆分

数据决定上限，模型只是逼近上限。这句话在花生种子上特别真实。公开的花生图像数据集很少，即便找到，产区和品种也不一定对口。实际项目里最可靠的做法是自己搭一个采集环境，把现场的花生样本拍一遍。这一章写的采集和标注流程，是我在农业视觉项目里反复验证过的最小可行方案。

3.1 采集环境三约束：光照、背景与拍摄角度

采集环境的三个约束条件，直接影响模型的泛化能力。第一是光照，用环形无影灯或者两个对称的条形光源，保证花生表面没有强反光。强反光会让正常粒的高光区域呈现白色，和霉斑在 HSV 空间里非常接近，是误判的主要来源。第二是背景，用纯黑或纯白亚克力板做底，方便后续做轮廓裁剪和 ROI 提取，不要让传送带的纹理和颜色进到样本里。第三是拍摄角度，花生有背腹两面，纹理差异明显，很多项目只拍一面也能跑，但标注和训练时都要保持“统一拍腹面”或“统一拍背面”，不要两面混拍。

分辨率方面，单粒花生在画面里的有效像素至少要有 128×128，建议达到 160×160 以上。采集时通过调节相机高度和镜头焦距来控制，而不是靠后期放大裁剪，后期插值放大的图像纹理是糊的。采集数量上，常见起步规模是每类 800 到 1500 张，四类加起来 4000 到 6000 张，再配合数据增强，足够训练一个 ResNet18 级别的模型。

3.2 标注顺序与类别平衡：先铁标签后边界样本

标注顺序比标注工具更影响最终质量。我的习惯是分三轮走：第一轮只标“铁标签”，也就是严重霉变、明显破损、重度瘪粒这类一眼就能判定的样本，先把模型的上限立住；第二轮补标边界样本，比如轻微霉变、小裂缝、半瘪粒，这些是模型最容易混的地方；第三轮做交叉复查，由同一个人隔天把已标注数据重新看一遍，把不一致的样本单独拎出来仲裁。

类别平衡问题在花生种子上非常突出，正常粒占绝大部分，霉变粒和破损粒天然少。如果按原始比例训练，模型会把正常粒学得很充分，其他三类学得很弱。常见做法是每类按数量下限采齐，不够的类别用过采样重复进训练集，或者在损失函数里按类数量加权。标注文件我习惯直接按类别目录组织，一张图一个文件，目录结构本身就是标签，省掉额外的标注文件解析逻辑。

3.3 用 PyTorch 写数据集与增强：最小可跑代码

下面这个 Dataset 实现直接按目录结构读取数据，适合第一版快速启动。代码很简单，但目录命名和标签顺序的一致性值得注意。

import torch from torch.utils.data import Dataset from PIL import Image import os # 类别目录名和标签 ID 的映射顺序一旦定死，后续训练评估都必须沿用 CLASS_NAMES = ["normal", "moldy", "broken", "shrunken"] class PeanutDataset(Dataset): def __init__(self, root_dir, transform=None): self.samples = [] for label, cls_name in enumerate(CLASS_NAMES): cls_dir = os.path.join(root_dir, cls_name) for fname in os.listdir(cls_dir): self.samples.append((os.path.join(cls_dir, fname), label)) self.transform = transform def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label = self.samples[idx] img = Image.open(path).convert("RGB") if self.transform: img = self.transform(img) return img, label

配合的数据增强用 torchvision 的 transforms 组合：

from torchvision import transforms train_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomVerticalFlip(p=0.3), transforms.ColorJitter(brightness=0.2, contrast=0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]), ])

Dataset 的标签顺序就是这个项目的全局约定，中途不要改，否则之前训练保存的 checkpoint 对应关系会错乱。Resize 到 224×224 是平衡了纹理保留和训练速度；水平垂直翻转用来模拟花生在传送带上的随机姿态；ColorJitter 的光照抖动是应对不同批次花生底色差异的关键增强。Normalize 用 ImageNet 统计值，因为后面要加载 ImageNet 预训练权重，这个必须保持一致。验证集和测试集不要用增强，只做 Resize 和 Normalize。

4. 模型选型与训练参数：花生分级该用多深的网络

模型选型在花生筛选这个任务上被高估了，真正决定成败的是训练策略和参数设置。花生种子分类不需要非常深的网络，它的纹理复杂度远低于医学病理图像，数据集规模通常也就是千到万张。这一章给出选型结论、参数表和一份可以直接跑的训练主循环代码。

4.1 ResNet18、MobileNetV3、EfficientNet：按部署条件选型

同样在公开数据集上做迁移学习，ResNet18、MobileNetV3-Small、EfficientNet-B0 在花生分类上的精度差距通常不会超过两个百分点，但部署代价差别很大。选型的时候先回答一个问题：模型最终跑在哪里。

如果车间里有配了 NVIDIA 显卡的工控机，直接选 ResNet18，结构成熟、训练和排错资料最多，参数量在千万级，单张图推理只要几毫秒。如果模型要部署到没有 GPU 的工控机，或者用嵌入式设备，选 MobileNetV3-Small，参数量只有 ResNet18 的四分之一左右，CPU 推理速度优势明显，精度损失在可接受范围内。EfficientNet-B0 是折中方案，参数量居中，理论精度上限略高，但训练时对数据量和增强策略的要求也更敏感，小数据集上未必有优势。

部署时如果是 CPU 环境，我建议训练阶段还是用 ResNet18，训完转 ONNX 再配合推理引擎量化。注意 PyTorch 转 ONNX 时要把模型切到 eval 模式，这步漏掉的话输出的概率分布会异常，这是个非常容易翻车的细节。

4.2 训练参数表：学习率、批大小与迁移学习策略

这个参数组合里最容易被忽略的是学习率。如果用 ImageNet 预训练权重，全量微调的学习率超过 1e-3，前几个 epoch 就会把预训练特征冲掉，表现为训练 loss 快速下降但验证集精度反而低。花生的类间差异是颜色和纹理细节，非常依赖底层特征，所以学习率宁小勿大。数据量只有几百张时，更稳妥的做法是先冻结 backbone 只训练最后的全连接层，跑 10 个 epoch 后再解冻全量微调。

4.3 训练主循环代码：随机种子、早停与最优模型保存

import torch import torch.nn as nn from torchvision import models torch.manual_seed(42) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 新版 torchvision 用 weights=，老版本是 pretrained=True，按环境选择 model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1) model.fc = nn.Linear(model.fc.in_features, 4) model.to(device) optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=40) criterion = nn.CrossEntropyLoss() best_acc = 0.0 for epoch in range(40): model.train() for imgs, labels in train_loader: imgs, labels = imgs.to(device), labels.to(device) optimizer.zero_grad() loss = criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step() # 每个 epoch 后验证，保留验证集表现最好的权重 model.eval() correct = total = 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels = imgs.to(device), labels.to(device) pred = model(imgs).argmax(dim=1) correct += (pred == labels).sum().item() total += labels.size(0) acc = correct / total if acc > best_acc: best_acc = acc torch.save(model.state_dict(), "best_peanut.pth")

这段代码的核心逻辑是训练、验证调度、最优权重保存三个动作分离。训练阶段用 model.train() 开启 BN 统计更新，验证阶段必须切到 model.eval()，否则 BN 参数还在变，验证结果会失真。模型定义时替换了最后一层 fc，输出维度从 1000 改成 4；加载预训练权重后 fc 层的参数是随机初始化的，所以要给它更大的学习率或者用低学习率全量微调，这里全量统一用 1e-4 是最省心的做法。early stopping 可以直接靠 best_acc 的保存机制实现，训练结束后取 best_peanut.pth，而不是最后一轮的结果，能避免后期过拟合带来的精度回退。

5. 花生种子训练避坑：五个让准确率虚高的典型问题

这章写的五条坑我都踩过不止一次，每一条都有一个共同特征：训练指标很好看，一到现场就现原形。花生筛选模型的难点不在网络结构，而在数据分布和工况匹配，这些坑如果不提前排查，项目很容易在最后阶段推倒重来。

5.1 loss 在降验证集却在震荡：先查学习率和增强强度

现象：训练 loss 稳步下降，验证集准确率每轮上下跳 5 到 8 个百分点，怎么看都像没收敛。原因通常是两个叠加：学习率偏大导致后期在局部最小值附近震荡；验证集样本太少或者只来自某一个批次，本身方差很大。如果增强里加了高强度随机噪声或随机擦除，也会让 loss 曲线变糙，但更典型的还是前两个原因。解决方法是把学习率降到 1e-4 以下，验证集每类保留至少 200 张，并且训练集和验证集按花生批次分割，不按文件随机分割，这样验证集才真正代表“没见过的样本”。

5.2 霉变粒与破损粒互相混淆：错分可视化是第一步

现象：混淆矩阵里霉变粒和破损粒交叉频繁，模型把发暗的破损粒判成霉变，把轻度霉变的完整粒判成破损。原因是两类样本在低分辨率下都表现为“局部区域颜色发暗、纹理断裂”，特征边界确实重叠。直接加数据或调权重效率很低，第一步一定是把错分样本可视化，按真实标签和预测标签分目录存图，人眼确认共性。常见解决方法是标注端收紧边界定义：破损粒限定为“外壳有明显裂口或缺失”，霉变粒限定为“表面有霉斑或整体色变”；同时增强里不要加高斯噪声和随机擦除，否则模型会更倾向于“纹理断裂”这个特征，反而加重混淆。

5.3 训练旋转 30 度现场却摆正了：增强与工况脱节

现象：训练时用了 RandomRotation(30)，验证集准确率很高，现场固定姿态拍摄的样本却识别不稳。原因是模型在训练时见过各种旋转角度，学到的是旋转不变特征，而现场传送带上的花生朝向是相对固定的，真实分布窄得多，模型相当于在一个没见过的分布上做推理，自然会掉点。解决方法是先去现场拍一段真实视频，统计花生的姿态分布，再决定增强强度。传送带掉落拍摄的场景通常保留水平翻转就够了；如果是人工摆盘固定朝向，连翻转都可以去掉，只保留光照抖动。增强设计要跟着工况走，不是越强越好。

5.4 黑色背景成了隐式特征：换条传送带就掉点

现象：模型在实验室测试集上准确率 96%，换到车间另一条传送带上直接掉到 85%。排查时发现实验室用黑色亚克力背景采集，车间背景是深灰色传送带，模型把“黑色背景”当作正常粒的隐式特征之一了。检查方法很简单：把测试图用图像编辑工具统一替换背景色，看预测置信度是否大幅波动；或者看 Grad-CAM 热力图，注意力落在背景区域就说明泄漏了。解决方法是采集时模拟现场背景，或者标注时严格按花生外接矩形裁剪到 224×224，尽量让背景占比稳定；训练时做背景替换增强，把目标区域随机贴到不同背景上，迫使模型专注种子本身。

5.5 准确率虚高的假象：类别不平衡与多数类错觉

现象：训练结束后准确率显示 98%，厂长看了很高兴，结果发现模型把所有样本都判成了正常粒。原因是正常粒占数据集的 90% 以上，模型全猜正常粒就有 90% 的准确率，而霉变粒的召回率可能是 0。这类问题用准确率评估是看不出来的，必须看混淆矩阵和每类的 precision、recall。解决方法是训练时用 WeightedRandomSampler 按类别反比采样，或者给 CrossEntropyLoss 传 class_weight；评估指标改用 macro-F1，也就是四类各自 F1 再取平均，这样每一类的表现都能反映到最终指标里。分类项目里准确率虚高是最常见的“假成功”，我每次都会在汇报前先跑一遍混淆矩阵。

6. 从模型到分选机：阈值校准与批次级验证

模型训练完只是拿到了 4 个概率分数，真正让筛选机好用的是把阈值校到“漏检最少、误杀可控”的位置。Softmax 默认的 0.5 阈值通常不是最优解，因为四分类下概率分布会被多数类压缩。逐阈值扫描是工程里最简单可靠的校准方法，下面这段代码以霉变粒为例演示怎么做。

import numpy as np probs, labels = [], [] for imgs, lbl in test_loader: with torch.no_grad(): p = torch.softmax(model(imgs), dim=1) probs.append(p[:, 1].cpu().numpy()) # 关注霉变类 labels.append((lbl == 1).cpu().numpy()) probs = np.concatenate(probs) labels = np.concatenate(labels) best_t, best_f1 = 0, 0 for t in np.arange(0.1, 0.95, 0.01): pred = probs >= t tp = (pred & (labels == 1)).sum() fp = (pred & (labels == 0)).sum() fn = (~pred & (labels == 1)).sum() prec = tp / (tp + fp + 1e-9) rec = tp / (tp + fn + 1e-9) f1 = 2 * prec * rec / (prec + rec + 1e-9) if f1 > best_f1: best_f1, best_t = f1, t print(f"最优阈值: {best_t:.2f}, F1: {best_f1:.3f}")

这段代码对 0.1 到 0.95 的阈值做全量扫描，用 F1 选择最优阈值。实际产线里阈值不只看 F1，还要看漏检和误杀的代价：漏检霉变粒的代价更严重，就调低阈值让模型更激进；误杀正常粒的成本高，就调高阈值收紧。四类种子各自单独校一遍，不要用一个统一阈值。最后验证阶段，测试集一定要按批次划分，同一包花生在光照和品种上高度一致，随机打散会让信息泄漏，评估结果比真实水平高出两到五个点。我习惯把每组阈值存进单独的配置文件里，每次换批次重新校准一次，不写死在训练代码里。这个习惯帮我少踩了好几次“换批号就翻车”的坑，希望帮到你。

本文还有配套的精品资源，点击获取