ارزیابی خودکار سلامت فیزیکی دانه‌های گندم با استفاده از مدل U-Net بهبودیافته با ستون فقرات ResNet-50

رنجبر, سمیه; شهریاری, ام الکلثوم; میهمی, وفا

ارزیابی خودکار سلامت فیزیکی دانه‌های گندم با استفاده از مدل U-Net بهبودیافته با ستون فقرات ResNet-50

نوع مقاله : مقاله پژوهشی

نویسندگان

سمیه رنجبر ¹

ام الکلثوم شهریاری ²

وفا میهمی ²

¹ دانشجوی دکتری هوش مصنوعی، گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران

² استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد سنندج، سنندج، ایران

چکیده

بررسی سلامت فیزیکی دانه‌های گندم نقشی حیاتی در زنجیره تأمین و امنیت غذایی دارد. در مناطق غربی ایران، این بررسی به‌طور سنتی و از طریق بازرسی چشمی دستی انجام می‌شود که فرآیندی کند، خطاپذیر و منجر به محاسبه نادرست قیمت است. برای رفع این مشکل، این پژوهش یک روش کاملاً خودکار مبتنی بر یادگیری عمیق ارائه می‌دهد. نوآوری اصلی در ترکیب یک معماری U-Net بهبودیافته با یک ستون فقرات (Backbone) قوی از پیش آموزش‌دیده (ResNet-50) و همچنین به کارگیری تکنیک وزن‌دهی کلاس برای غلبه بر چالش‌های کلیدی مانند چسبندگی دانه‌ها و تعداد کم دانه‌های معیوب (عدم تعادل کلاس) است. مدل توسعه‌یافته، تصاویر دانه‌ها را در چهار کلاس مجزا بخش‌بندی می‌کند: پس‌زمینه، سالم، ناسالم (شکسته) و چروکیده. ارزیابی بر روی یک مجموعه داده مستقل شامل ۲۲۷ تصویر و با استفاده از اعتبارسنجی متقاطع پنج‌بخشی نشان داد که مدل به دقت کلی پیکسلی 98.2% و میانگین شاخص اشتراک بر اجتماع(IOU) برابر 0.62 دست می‌یابد. مزیت برجسته مدل، سرعت استنتاج بالا (0.08 ثانیه بر تصویر) است که پردازش بلادرنگ را ممکن می‌سازد. نتایج نشان می‌دهد این راه‌حل، به‌عنوان ابزاری دقیق، سریع و قابل اعتماد، می‌تواند به‌طور مؤثر جایگزین روش دستی شده، خطای انسانی را حذف کند و فرآیند ارزیابی و قیمت‌گذاری گندم را در مراکز خرید، بازرسی مرزی و سیستم‌های کشاورزی هوشمند استانداردسازی نماید.

کلیدواژه‌ها

بینایی ماشین

یادگیری عمیق

تشخیص خودکار دانه‌های معیوب

سیستم‌های خودکار تعیین افت قیمت گندم

کاهش خطای انسانی در بازرسی گندم

کشاورزی هوشمند

عنوان مقاله English

Automatic Assessment of Physical Wheat Grain Health Using an Enhanced U-Net Model with ResNet-50 Backbone

نویسندگان English

Somayeh Ranjbar tapeh koli ¹

Umm Al-Kulthum Shahriari ²

vafa maihami ²

¹ Ph.D. Student in Artificial Intelligence, Department of Computer Engineering, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran

² Assistant Professor, Department of Computer Engineering, Faculty of Engineering, Islamic Azad University, Sanandaj Branch, Sanandaj, Iran

چکیده English

Assessing the physical health of wheat grains is crucial for effective supply chain management and food security. In regions such as western Iran, this process traditionally relies on manual visual inspection—a method that is slow, prone to human error, and often leads to inaccurate pricing. To address these shortcomings, this study introduces a fully automated, deep learning-based approach. Our core innovation lies in integrating an enhanced U-Net architecture with a powerful, pre-trained ResNet-50 backbone and employing a class-weighting technique to overcome key challenges such as grain adhesion and class imbalance (i.e., the scarcity of defective kernels). The developed model performs pixel-wise semantic segmentation, classifying images into four distinct categories: background, healthy, unhealthy (broken), and shriveled kernels. Evaluated on an independent test set of 227 images using 5-fold cross-validation, the model achieved a high overall pixel accuracy of 98.2% and a mean Intersection over Union (IoU) score of 0.62. A significant practical advantage is its high inference speed of 0.08 seconds per image, enabling real-time processing. The results demonstrate that this solution provides an accurate, rapid, and reliable tool capable of effectively replacing error-prone manual inspection. It eliminates human subjectivity and provides a standardized, automatable method for assessing grain quality in procurement centers, border inspection stations, and smart farming systems.

کلیدواژه‌ها English

Computer Vision

Deep Learning

Automatic Defective Grain Detection

Automated Wheat Price-Deduction Systems

Human Error Reduction in Wheat Inspection

Smart Agriculture

[1]. Wang, X., Li, C., Zhao, C., Jiao, Y., Xiang, H., Wu, X., & Chai, H. (2025). GrainNet: Efficient detection and counting of wheat grains based on an improved YOLOv7 modeling. Plant Methods, 21(1), Article 62. https://doi.org/10.1186/s13007-025-01363-y.

[2]. Gao, Q., Li, H., Meng, T., Xu, X., Sun, T., Yin, L., & Chai, X. (2024). A rapid construction method for high-throughput wheat grain instance segmentation dataset using high-resolution images. Agronomy, 14(5), 1032. https://doi.org/10.3390/agronomy14051032.

[3]. Zhang, Q., Li, H., Meng, T., & Chai, X. (2023). Automatic dataset construction for wheat grain segmentation using Grounding DINO and SAM. Computers and Electronics in Agriculture, 208, 107894. https://doi.org/10.1016/j.compag.2023.107894.

[4]. Wang, Y. H., & Su, W. H. (2022). Convolutional neural networks in computer vision for grain crop phenotyping: A review. Frontiers in Plant Science, 13, 955918. https://doi.org/10.3389/fpls.2022.955918.

[5]. Shen, R., Zhen, T., & Li, Z. (2023). Segmentation of unsound wheat kernels based on improved Mask R-CNN. Foods, 12(7), 1503. https://doi.org/10.3390/foods12071503.

[6]. Wang, Q., Qin, W., Liu, M., Zhao, J., Zhu, Q., & Yin, Y. (2024). Semantic segmentation model-based boundary line recognition method for wheat harvesting. Agriculture, 14(10), 1846. https://doi.org/10.3390/agriculture14101846.

[7]. Lü, Z., Wang, Y., & Sun, F. (2023). Identification and detection of wheat kernels with different volume weights based on an improved U-Net. Journal of Henan Agricultural Sciences, 52(10), 131–139. https://doi.org/10.15933/j.cnki.1004-3268.2023.10.015.

[8]. Chen, M., Jin, C., Mo, G., Liu, S., & Xu, J. (2023). Online detection method of impurity rate in wheat mechanized harvesting based on an improved U-Net model. Agricultural Equipment & Vehicle Engineering, 61(4), 71–77. https://nyjxxb.net/index.php/journal/article/view/1549.

[9]. Liu, L., Wang, Y., Zhang, Q., Zhang, L., Zhao, Y., & Ma, J. (2023). A spatial distribution extraction method for winter wheat based on an improved U-Net. Remote Sensing, 15(15), 3711. https://doi.org/10.3390/rs15153711.

[10]. Awad, M. M. (2024). A new winter wheat crop segmentation method based on a new fast-UNet model and multi-temporal Sentinel-2 images. Agronomy, 14(10), 2337. https://doi.org/10.3390/agronomy14102337.

[11]. Weng, S., Zhang, Q., Han, K., Pan, M., Tan, Y., Chen, Q., Wu, F., Wang, C., Zheng, L., Lei, Y., & Sha, W. (Unpublished manuscript). Reference-based image super-resolution of hyperspectral and red-green-blue images for the determination of wheat kernel quality using deep learning networks.

[12]. Maqsood, Y., Usman, S. M., Alhussein, M., Aurangzeb, K., Khalid, S., & Zubair, M. (2024). Model agnostic meta-learning (MAML)-based ensemble model for accurate detection of wheat diseases using vision transformer and graph neural networks. Comput. Mater. Contin., 79(2), 2795–2811. https://doi.org/10.32604/cmc.2024.049410

[13]. Alkhudaydi, T., Reynolds, D., Griffiths, S., Zhou, J., & de la Iglesia, B. (in press). An exploration of deep-learning-based phenotypic analysis to detect spike regions in field conditions for UK bread wheat.

[14]. Wu, Y., Tang, L., & Yuan, S. (Unpublished manuscript). A semantic segmentation model of multi-source remote sensing images was used to extract winter wheat at the tillering stage.

[15]. Feng, G., Gu, Y., Wang, C., Zhang, D., Xu, R., Zhu, Z., ... (2025). Wheat Fusarium head blight severity grading using generative adversarial networks and semi-supervised segmentation. Computers and Electronics in Agriculture. https://www.sciencedirect.com/science/article/pii/S0168169924012080.

[16]. Singh, G., Al-Huqail, A. A., Almogren, A., ... (2025). Enhanced Leaf Disease Segmentation Using U-Net Architecture for Precision Agriculture: A Deep Learning Approach. Food Science & Nutrition. https://onlinelibrary.wiley.com/doi/abs/10.1002/fsn3.70594.

[17]. Zhang, S., Liu, L., Li, G., Du, Y., Wu, X., Song, Z., Li, X. (2025). Diffusion model-based image generative method for quality monitoring of direct grain harvesting. Computers and Electronics in Agriculture. https://www.sciencedirect.com/science/article/pii/S0168169925002364.

[18]. Xu, X., Gao, Y., Fu, C., Qiu, J., Zhang, W. (2024). Research on the Corn Stover Image Segmentation Method via an Unmanned Aerial Vehicle (UAV) and an Improved U-Net Network. Agriculture, 14(2), 217. https://www.mdpi.com/2077-0472/14/2/217.

[19]. Liu, Q., Liu, W., Liu, Y., Zhe, T., Ding, B., Liang, Z. (2023). Rice grains and grain impurity segmentation method based on a deep learning algorithm-NAM-EfficientNetv2. Computers and Electronics in Agriculture. https://www.sciencedirect.com/science/article/pii/S0168169923002120.

[20]. somayeh1369. (2025). Som1: A Hugging Face Space for wheat quality assessment using an improved U-Net model. Retrieved August 20, 2025, from https://huggingface.co/spaces/somayeh1369/som1.