在晒干的绿茶中轻量级检测微塑料异物：基于深度学习的改进版YOLOv8神经网络模型

《Food Control》：Lightweight detection of microplastic foreign bodies in sun-dried green tea: An improved YOLOv8 neural network model based on deep learning

　　微塑料污染对人类健康构成威胁，本研究提出改进的YOLOv8-IDMA模型，通过Inner-WIoU损失函数优化目标框回归，DualConv模块增强低密度微塑料特征提取，MLCA模块融合局部-全局特征，ADown模块减少下采样信息损失。实验表明，该模型在精度（99.12%）、召回率（98.61%）和mAP（99.18%）上显著优于现有方法，为茶叶质量控制提供高效解决方案。

　　在现代食品工业中，食品安全已成为全球关注的核心议题之一。随着塑料污染的加剧，微塑料污染问题日益突出，对人类健康构成潜在威胁。微塑料，指直径小于5毫米的塑料颗粒，因其化学稳定性与长期存在于环境中的特性，成为食品链中潜在的有害物质载体。特别是在茶叶生产过程中，微塑料污染可能出现在从种植、加工到包装、运输的各个环节。这种污染不仅影响茶叶的品质，还可能对消费者的健康产生深远影响。因此，开发一种高效、精准的微塑料检测方法，对于保障食品质量、提升食品安全水平具有重要意义。

本研究针对太阳晒青茶（sun-dried green tea）加工过程中微塑料污染问题，提出了一种基于YOLOv8的改进深度学习模型，旨在提升微塑料识别的准确性与效率。YOLOv8作为一种高效的实时目标检测模型，已被广泛应用于多个领域，但其在微塑料检测中仍面临挑战。微塑料通常具有低密度、非金属特性，容易与茶叶中的其他物质混淆，尤其是在高纹理背景的茶叶样本中，其检测难度进一步增加。为解决这些问题，研究团队引入了四项关键改进措施，包括Inner-WIoU优化算法、DualConv模块、MLCA模块和ADown模块。这些改进不仅增强了模型对微塑料特征的提取能力，还提升了其在复杂背景下的识别性能。

Inner-WIoU优化算法通过引入辅助边界框和动态权重因子，提高了小目标的定位精度。在微塑料检测中，小目标的识别一直是难点，因为它们的边界模糊，容易与背景信息混淆。Inner-WIoU通过调整损失函数的权重，使得模型能够更准确地预测边界框，从而减少误检和漏检的情况。此外，DualConv模块通过稀疏-密集并行路径的设计，优化了特征提取效率，减少了模型的参数数量，同时保留了微塑料的边缘细节。MLCA模块则通过局部与全局特征融合，增强了模型对微塑料的敏感度，避免了传统注意力机制对局部特征的忽视。ADown模块通过并行路径处理与互补特征融合，减少了特征下采样过程中信息的丢失，特别是在处理纤维状和薄膜状微塑料时，能够有效提升检测性能。

这些改进的综合应用，使得YOLOv8-IDMA模型在多个方面表现出色。实验结果表明，该模型在微塑料检测任务中取得了显著的性能提升，其Precision、Recall、mAP和F1得分分别达到了99.12%、98.61%、99.18%和98.95%，远超其他十一款最先进的目标检测模型。这些结果不仅验证了YOLOv8-IDMA模型在微塑料检测中的优越性，也为微塑料监测提供了一种高效、可靠的技术方案。

本研究在实验设计上充分考虑了实际应用需求，构建了一个包含1128张原始图像的训练数据集，并通过数据增强策略将其扩展至7679张图像。数据增强包括亮度调整、对比度变化、随机缩放、水平与垂直翻转、平移和旋转等，这些操作有助于模型更好地适应实际环境中的复杂情况。此外，研究团队还采用五点采样方法，确保了样本的代表性。通过对不同模型的比较实验，验证了YOLOv8-IDMA在微塑料检测中的卓越表现，尤其是在高密度和复杂背景下，其检测精度和召回率均显著优于其他模型。

在模型性能评估方面，研究团队采用了多种指标，包括mAP、Precision、Recall和F1得分，这些指标能够全面反映模型的检测能力。实验结果显示，YOLOv8-IDMA模型在所有测试类别中均取得了最高的检测准确率，尤其是在纤维、碎片、薄膜和塑料珠这四个微塑料类型中，其性能表现尤为突出。此外，该模型在推理速度上也表现出色，能够在短时间内完成大量图像的检测任务，这为实际应用提供了重要的支持。

研究还通过外部验证进一步确认了YOLOv8-IDMA模型的可靠性。外部验证使用了来自不同来源的数据集，包括百度AI Studio的开源数据库和云南普洱茶区的实地采集数据。这些数据集涵盖了不同的光照条件、目标数量和复杂场景，能够全面评估模型的泛化能力。结果显示，YOLOv8-IDMA模型在这些条件下依然保持了较高的检测信心度，表明其在实际应用中的稳定性与适应性。

在讨论部分，研究团队深入分析了模型改进的有效性。YOLOv8-IDMA模型在多个指标上均优于现有的其他模型，包括Precision、Recall、mAP和GFLOPs。这些指标的提升不仅反映了模型在微塑料检测中的优越性，也说明了其在计算效率上的优势。此外，研究还探讨了模型在不同场景下的泛化能力，发现YOLOv8-IDMA在多种复杂环境下均表现出良好的适应性，能够有效识别微塑料污染。

本研究的意义不仅在于提出了一个高效的微塑料检测模型，更在于为食品安全监控的智能化提供了新的思路。随着深度学习技术的不断发展，其在食品检测领域的应用日益广泛。YOLOv8-IDMA模型的成功应用，为食品工业的智能化转型奠定了基础。未来，该模型可以进一步优化，以实现更低的推理延迟和更高的部署效率，同时与自动化设备结合，形成一个完整的“检测-分类-反馈”闭环系统，推动茶叶加工过程中的微塑料污染控制。

总之，本研究通过引入多项创新技术，显著提升了微塑料检测的准确性与效率，为食品安全提供了新的解决方案。YOLOv8-IDMA模型不仅在实验室条件下表现出色，也在实际应用中展现出强大的适应性与可靠性，为食品工业的智能化发展做出了重要贡献。