DOI: https://doi.org/10.3389/fpls.2025.1721083
PMID: https://pubmed.ncbi.nlm.nih.gov/41647632
تاريخ النشر: 2026-01-21
المؤلف: Kun Luo وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تقدم البحث طريقة جديدة لفرز الشاي باستخدام تقنيات التعلم العميق لتعزيز معالجة الشاي الأبيض. يعتمد الفرز التقليدي على المراقبة اليدوية، مما يؤدي إلى تباين في الجودة. قام المؤلفون بتحسين نموذج YOLOv11 من خلال دمج ACmix و EUCB، مما أدى إلى زيادة بنسبة 2.1% في دقة التعرف وتقليل الوقت المستغرق للكشف بنسبة 40%. حقق نموذج YOLO-AE المحسن دقة تعرف بلغت 94% على مجموعة التحقق، مع متوسط دقة (MAP) قدره 0.93. كما أظهر الدراسة أن الطريقة المقترحة تحدد بفعالية نسب درجات الشاي المختلفة في الوقت الحقيقي، مع وجود اختلافات بين دفعات الشاي الأبيض عالي الجودة تقل عن 3%.
في الختام، يتناول البحث قيود الفواصل الهوائية التقليدية، التي لا يمكنها ضبط المعلمات بسرعة بناءً على تغيرات المواد. يسمح نظام الضبط في الوقت الحقيقي الذي تم تطويره لمعايير اختيار الرياح، المستند إلى التعلم العميق، بإجراء تعديلات في غضون 5 ثوانٍ ويتطلب أقل من 2 ثانية لتحديد النظام. تفوق نموذج YOLO-AE على نماذج التعرف الأخرى من حيث الدقة والقدرة على التكيف، خاصةً للميزات المستهدفة الصغيرة في الشاي الأبيض. لا يعزز هذا النظام جودة وكفاءة فرز الشاي فحسب، بل يسهل أيضًا التحليل الكمي الدقيق لاختيار الشاي، مما يلبي المتطلبات المتنوعة لمختلف أنواع الشاي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية الشاي كمحصول اقتصادي في الصين، خاصة في سياق الطلب المتزايد على الشاي عالي الجودة. تشير إلى أن إنتاج الشاي في الصيف والخريف غالبًا ما يحتوي على شوائب، والتي يمكن إزالتها بفعالية من خلال الفصل الهوائي، مما يزيد بشكل كبير من سعر السوق للشاي. ومع ذلك، فإن التباين في معلمات الفصل الهوائي لأنواع ودفعات الشاي المختلفة يمثل تحديات، مما يؤدي إلى جودة غير متسقة. تعتبر طرق الفرز الحالية، على الرغم من دقتها، غير فعالة للإنتاج الضخم، حيث تعتمد بشكل كبير على التعديلات اليدوية التي لا تتكيف بسرعة مع المواد الخام المتغيرة.
تستعرض الورقة تقدمات مختلفة في تقنيات تصنيف الشاي، بما في ذلك استخدام نماذج التعلم الآلي مثل آلات الدعم الشعاعي (SVM) وخوارزميات التعلم العميق مثل YOLO لتحديد براعم الشاي. على الرغم من هذه التقدمات، تكافح النماذج الحالية في تحديد عينات الشاي المتشابهة بدقة. تناقش المقدمة أيضًا الدراسات السابقة حول ديناميات السوائل لفصل جزيئات الشاي، مما يبرز الحاجة إلى تعديلات في الوقت الحقيقي على معلمات الفصل الهوائي. لمعالجة هذه التحديات، تقترح الدراسة مخطط فرز جديد يدمج الرؤية الآلية مع الفصل الهوائي، بهدف تعزيز دقة وكفاءة تصنيف الشاي من خلال تحسين نموذج YOLOV11 لتحسين التعرف على مكونات الشاي وضبط معلمات الفصل في الوقت الحقيقي.
النتائج
في هذا القسم، يتم تقديم نتائج تدريب نماذج مختلفة للكشف عن درجات الشاي الأبيض. أظهر نموذج Faster R-CNN، الذي تم تدريبه بحجم دفعة قدره تسعة، مقاييس أداء متباينة عبر فئات الشاي المختلفة، كما هو موضح في الأشكال 9A-9I. حقق النموذج دقة متوسطة (MAP) ومعدل متوسط للفشل، مع انخفاض معدلات الفشل مما يشير إلى أداء أفضل. أظهر نموذج SSD، بحجم دفعة قدره ثمانية و150 تكرارًا، مقاييس مشابهة، ولكن بدقة ومعدلات استرجاع أقل مقارنةً بـ Faster R-CNN.
حقق نموذج YOLOV11، الذي تم تدريبه لمدة 300 تكرار بحجم دفعة قدره ثمانية، نتائج واعدة، حيث حقق خسارة تصنيف (cls_loss) تبلغ حوالي 0.76، ودقة 0.77، واسترجاع 0.86، وقيم MAP تبلغ 0.84 و0.52 لمعدل MAP عند عتبات مختلفة. تفوق نموذج YOLO-AE، الذي تم تدريبه أيضًا لمدة 300 تكرار، على YOLOV11، حيث حقق خسارة cls قدرها 0.47، ودقة 0.82، واسترجاع 0.90، وقيم MAP تبلغ 0.89 و0.52. من بين النماذج، تم ملاحظة أن YOLO-AE يتميز بخفته وكفاءته في وقت التنبؤ. خلصت الدراسة إلى أن نموذج YOLOV11 المحسن هو الأنسب لتنظيم اختيار الشاي، مما يعزز دقة التعرف بمعدل متوسط قدره 3% مقارنةً بالأنظمة السابقة، مع معالجة التحديات مثل تشويش الصورة وتداخل أوراق الشاي أثناء الكشف.
المناقشة
في هذه الدراسة، تم تطوير نظام تحكم جديد في الوقت الحقيقي لفصل المواد الشاي الأبيض، مستفيدًا من تقنيات التعلم العميق لتعزيز دقة وكفاءة عملية الفرز. تضمنت المعالجة الأولية للشاي الأبيض عدة مراحل، بما في ذلك الجمع، والذبول، والتجفيف، مما أسفر عن مزيج يحتوي على شاي عالي الجودة، وشاي ثانوي، وشوائب. تم تنفيذ نموذج التعرف المستند إلى التعلم العميق لضبط معلمات الفاصل الهوائي ديناميكيًا بناءً على التعرف في الوقت الحقيقي على مكونات الشاي، مما يحسن بشكل كبير من جودة الفصل. استخدمت الدراسة نماذج مختلفة للكشف عن الأجسام، بما في ذلك Faster R-CNN وSSD وYOLO، حيث أظهر نموذج YOLO-AE أداءً متفوقًا في التعرف على الأهداف الصغيرة للشاي، محققًا دقة تزيد عن 90% في تحديد فئات الشاي المختلفة.
أشارت النتائج التجريبية إلى أن نظام الضبط في الوقت الحقيقي يمكنه تعديل معلمات الفصل الهوائي بفعالية استجابةً لتغيرات نسب مواد الشاي، محققًا تعديلات في غضون 5 ثوانٍ. تلبية دقة التعرف ودقة اختيار الرياح لمتطلبات التطبيق العملي، مما يسمح بالتحليل الكمي لعملية اختيار الشاي. تشير النتائج إلى أن دمج التعلم العميق مع طرق الفصل الهوائي التقليدية يمكن أن يعزز بشكل كبير جودة معالجة الشاي، مما يوفر حلاً قويًا للتحديات التي تواجه عمليات فرز الشاي التقليدية.
DOI: https://doi.org/10.3389/fpls.2025.1721083
PMID: https://pubmed.ncbi.nlm.nih.gov/41647632
Publication Date: 2026-01-21
Author(s): Kun Luo et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
The research presents a novel tea winnowing method utilizing deep learning techniques to enhance the processing of white tea. Traditional winnowing relies on manual observation, leading to variability in quality. The authors improved the YOLOv11 model by incorporating ACmix and EUCB, resulting in a 2.1% increase in recognition accuracy and a 40% reduction in detection time. The enhanced YOLO-AE model achieved a recognition accuracy of 94% on the verification set, with a mean average precision (MAP) of 0.93. The study also demonstrated that the proposed method effectively identifies the proportions of different tea grades in real time, with discrepancies between batches of high-quality white tea being less than 3%.
In conclusion, the research addresses the limitations of conventional air separators, which cannot adjust parameters promptly based on material variations. The developed real-time adjustment system for wind selection parameters, grounded in deep learning, allows for adjustments within 5 seconds and requires less than 2 seconds for system identification. The YOLO-AE model outperformed other recognition models in terms of accuracy and adaptability, particularly for small target features in white tea. This system not only enhances the quality and efficiency of tea winnowing but also facilitates precise quantitative analysis of tea selection, catering to the diverse requirements of different tea types.
Introduction
The introduction of the research paper highlights the significance of tea as an economic crop in China, particularly in the context of rising demand for high-quality tea. It notes that summer and autumn tea production often contains impurities, which can be effectively removed through pneumatic separation, significantly increasing the market price of the tea. However, the variability in pneumatic separation parameters for different tea types and batches poses challenges, leading to inconsistent quality. Current sorting methods, while precise, are inefficient for mass production, relying heavily on manual adjustments that do not adapt quickly to varying raw materials.
The paper reviews various advancements in tea classification techniques, including the use of machine learning models such as Support Vector Machines (SVM) and deep learning algorithms like YOLO for identifying tea buds. Despite these advancements, existing models struggle with accurately identifying similar tea samples. The introduction also discusses previous studies on the fluid dynamics of tea particle separation, emphasizing the need for real-time adjustments to pneumatic separation parameters. To address these challenges, the study proposes a novel sorting scheme that integrates machine vision with pneumatic separation, aiming to enhance the accuracy and efficiency of tea grading by optimizing the YOLOV11 model for better recognition of tea components and real-time adjustment of separation parameters.
Results
In this section, the results of training various models for the detection of white tea grades are presented. The Faster R-CNN model, trained with a batch size of nine, demonstrated varying performance metrics across different tea categories, as illustrated in Figures 9A-9I. The model achieved an average accuracy (MAP) and a log average miss rate, with lower miss rates indicating better performance. The SSD model, with a batch size of eight and 150 iterations, showed similar metrics, but with lower accuracy and recall rates compared to the Faster R-CNN.
The YOLOV11 model, trained for 300 iterations with a batch size of eight, yielded promising results, achieving a classification loss (cls_loss) of approximately 0.76, precision of 0.77, recall of 0.86, and MAP values of 0.84 and 0.52 for MAP at different thresholds. The YOLO-AE model, also trained for 300 iterations, outperformed the YOLOV11, achieving a cls_loss of 0.47, precision of 0.82, recall of 0.90, and MAP values of 0.89 and 0.52. Among the models, the YOLO-AE was noted for its lightweight nature and efficiency in prediction time. The study concluded that the improved YOLOV11 model was the most suitable for tea selection regulation, enhancing recognition accuracy by an average of 3% compared to previous systems, while addressing challenges such as image blurring and overlapping tea leaves during detection.
Discussion
In this study, a novel real-time control system for the air separation of white tea materials was developed, leveraging deep learning techniques to enhance the accuracy and efficiency of the winnowing process. The initial processing of white tea involved several stages, including picking, withering, and drying, resulting in a mixture containing high-quality tea, secondary tea, and impurities. A deep learning-based recognition model was implemented to dynamically adjust air separator parameters based on the real-time identification of tea components, significantly improving separation quality. The study utilized various object detection models, including Faster R-CNN, SSD, and YOLO, with the YOLO-AE model demonstrating superior performance in recognizing small tea targets, achieving over 90% accuracy in identifying different tea categories.
The experimental results indicated that the real-time adjustment system could effectively modify air separation parameters in response to variations in tea material proportions, achieving adjustments within 5 seconds. The system’s recognition accuracy and wind selection precision met practical application requirements, allowing for quantitative analysis of the tea selection process. The findings suggest that integrating deep learning with traditional air separation methods can significantly enhance the quality of tea processing, providing a robust solution for the challenges faced in conventional tea winnowing operations.