关于嵌入式平台白酒中微量杂质的检测方法

《Journal of Food Measurement and Characterization》：On lightweight impurity detection of Baijiu for embedded platforms

　　白酒生产中杂质检测系统基于改进YOLO V8算法在RK3588嵌入式平台部署，通过BiFPN-EfficientDetect网络结合LAMP剪枝和知识蒸馏优化模型，实现检测精度94.7%与实时90-105FPS，有效降低算力需求（2.5 GFLOPs）和模型体积（1.85 MB）。

　　

摘要

杂质检测在确保白酒生产过程中的质量方面起着关键作用。目前，相关行业主要依赖个人电脑（PC）和显卡设备来进行机器视觉检测。然而，这些系统存在设备成本高、体积庞大和功耗大的问题，难以满足白酒行业对高效且低成本检测解决方案的需求。近年来，随着国内半导体产业的快速发展，许多嵌入式芯片集成了神经网络处理单元（NPU），极大地提升了其人工智能（AI）能力。这促进了机器视觉在嵌入式系统中的广泛应用。在这些系统中，YOLO V8算法仍是最常用的机器视觉算法之一。然而，将基于PC的模型直接部署在嵌入式设备上存在挑战：训练后的模型通常体积庞大且计算密集，导致在资源有限的嵌入式平台上运行效率低下。同时，现有的轻量级模型往往难以在检测速度和准确性之间取得平衡。为了解决这些问题，本文提出了一种基于改进后的YOLO V8算法的白酒杂质检测系统，该系统部署在RK3588嵌入式平台上。通过对YOLO V8的底层架构进行修改，我们开发了一种名为BiFPN-EfficientDetect的轻量级网络模型。我们使用基于层自适应幅度的剪枝（LAMP）算法来去除冗余权重，从而降低计算复杂度，并通过知识蒸馏进一步提升检测准确性。实验结果表明，优化后的模型准确率达到94.7%（相比之下，基线YOLOv8n的准确率为95.5%），同时计算负载显著降低（从8.1 GFLOPs降至2.5 GFLOPs），参数数量减少（从3,007,013个降至831,350个），模型大小也缩小（从5.94 MB降至1.85 MB）。当该系统部署在RK3588平台上时，可实现90–105 FPS的实时检测速度，满足高速杂质筛查的工业需求。这项研究为白酒质量控制提供了一种自动化、精确且计算效率高的解决方案，并证明了其在实际生产环境中的可行性。