武伟伟, 丁时永, 倪建军
本研究针对传统棉花颜色级检测存在的精度低、效率低、一致性弱等核心瓶颈,融合计算机视觉与深度学习技术,构建“数据采集—模型训练—性能验证—在线应用”的端到端智能检验系统。研究通过4800万像素工业相机与标准光源搭建标准化采集方案,结合网格线引导采集、可视化标注功能,建成含数千张高分辨率图像的细粒度棉花样本库(CottonDataSet);创新提出改进Swin-RTMDet架构——以Swin-Base Transformer为骨干网络(stage3堆叠18个模块,下采样率16倍),引入跨阶段特征增强模块(CSFE)与通道注意力机制强化细粒度特征提取,搭配RTMDet优化检测头提升定位效率;采用两阶段数据增强(前期Mosaic/MixUp强增强、后期精调)、DynamicSoftLabelAssigner动态标签分配、QFL+DIoU Loss联合损失函数等策略优化模型,最终集成的智能检验系统,在配备NVIDIA GeForce RTX 2080的硬件平台上,实测综合准确率达98.48%,单图处理时间低至0.419秒,支持10类棉花等级识别,有效满足工业化实时在线检测需求,为棉花产业品质分级智能化提供技术支撑。