【梅科尔工作室】英特尔OpenVINO™探索-Rice-VisionX：稻米性状视觉感知与环境关联分析平台

OpenVINO 中文社区

于 2025-07-01 14:58:13 发布

阅读量390

点赞数 15

CC 4.0 BY-SA版权

文章标签：经验分享

本文链接：https://blog.youkuaiyun.com/OpenVINOCC/article/details/149046876

项目背景

1.市场需求驱动

随着全球变暖，大米垩白问题加剧，高温胁迫致垩白率上升，大米品质降低（如下图所示），传统检测设备难精准识别，加工损耗增加，农业保险定损依赖人工误差大，产业链中下游在检测与风险管理环节应对能力不足。

2.当前痛点分析

目前市面上垩白检测设备存在两大问题：传统 RGB 成像设备对微小垩白漏检率高，且检测效率低，难以满足企业批量检测需求；98% 的设备缺乏气象数据接入能力，无法预判高温胁迫后的垩白率骤升，使产业链暴露于系统性风险中。

产业亟需高垩白识别率、高速处理能力且融合气候预警功能的设备，这对全球稻米产业应对气候变化、提升品质、增强经济效益与稳定性至关重要。此外，高精度、具备气候预警功能且高效的检测设备，能降低经济损失、保障品质稳定性，满足大规模生产需求，推动产业向智能化、高效化发展。

项目简介

Rice-VisionX 以 “稻米表型 - 环境互作机制解析” 为核心使命，依托哪吒派边缘计算硬件与多模态感知技术，打造农业 4.0 时代 “气候 - 品质” 智能翻译器与实验室级智能检测分析平台，其采用 “分层架构 + 数据闭环” 设计，以 “检测 - 集成 - 分析 - 应用” 为主线，构建从微观表型到宏观环境的多维关联分析体系，核心功能架构分为五大既独立运行又深度协同的层级，实现稻米品质检测的智能化与精准化。

（1）数据采集层：全维度数据感知

视觉检测模块：配备2000万像素工业相机（1500DPI）、双侧45°6500K LED光源，搭配亚光黑背景板与偏振滤镜，无眩光成像，可捕捉0.01mm²垩白等微观特征，同步检测12项品质性状，误差≤1.2%。

环境数据模块：集成气象API，实时获取产地气温、降水等环境数据，覆盖十年分钟级气候库，支持稻田产区精准定位匹配。

（2）数据处理层：智能分析与融合

图像智能分析：基于YOLOv5与ResU-Net模型，YOLOv5集成BiFPN提升小目标识别，参数量压缩70%适配边缘设备；ResU-Net嵌入CBAM机制，垩白分割mIoU达92.7%，单样本检测耗时220ms（较传统提升58%）。

数据融合引擎：通过时空对齐算法融合表型与环境数据，构建“一粒米一档案”全生命周期数据库，支持品种、年份、气候事件等多维度检索。

项目运行

1.工具说明

（1）OpenVINO™平台

OpenVINO 工具套件是一款开源工具套件，可以缩短延迟，提高吞吐量，加速 AI 推理过程，同时保持精度，缩小模型占用空间，优化硬件使用。它简化了计算机视觉、大型语言模型 (LLM) 和生成式 AI 等领域的 AI 开发和深度学习集成。

（2）哪吒派

哪吒（Nezha）开发套件以信用卡大小（85 x 56mm）的开发板-哪吒（Nezha）为核心，哪吒采用Intel® N97处理器（Alder Lake-N），最大睿频3.6GHz，Intel® UHD Graphics内核GPU，可实现高分辨率显示；板载LPDDR5内存、eMMC存储及TPM 2.0，配备GPIO接口，支持Windows和Linux操作系统，这些功能和无风扇散热方式相结合，为各种应用程序构建高效的解决方案，适用于如自动化、物联网网关、数字标牌和机器人等应用。

2.环境搭建

（1）Anaconda下载

Anaconda 是一个开源的 Python 和 R 语言的发行版，致力于简化数据科学、机器学习、人工智能和大数据的包管理和部署。它包含了大量流行的数据科学包，并且通过 Conda 包管理器提供了便捷的包安装、更新和管理方式。

下载地址：Download Anaconda Distribution | Anaconda

（2）创建yolov5虚拟环境

在电脑左下角搜索Anaconda，点击打开Anaconda Prompt

创建新的虚拟环境YoloV5

conda create -n yolov5 python=3.8

激活YoloV5环境

conda activate yolov5

（3）PyToch安装（GPU版）

进入PyTorch官网，查看对应自己电脑情况的安装命令

官网链接：https://pytorch.org/

（4）Yolov5模型下载

ultralytics - 提供 YoloV5 模型，用于目标检测、图像分割、姿态估计和图像分类，适合机器学习和计算机视觉领域的开发者。可以直接下载zip压缩文件，或者安装Git输入以下命令克隆ultralytics项目

下载地址：https://github.com/ultralytics/ultralytics

git clone https://github.com/ultralytics/ultralytics.git3.

3.项目流程

模型训练

300+张水稻垩白数据集，使用yolov5s模型在本地部署训练，训练次数200轮，生产训练模型best.pt文件

模型转换

用 Model Optimizer 将原始模型（PyTorch）转为OpenVINO™的IR（Intermediate Representation）格式；压缩后生产.xml和.bin格式的文件

import osimport sysfrom openvino.runtime import serializefrom openvino.tools import modef convert_onnx_to_ir(onnx_path, output_dir="ir_model", model_name="model", log_level="INFO"):    """    将 ONNX 模型转换为 OpenVINO IR 格式（.xml + .bin）    参数:        onnx_path (str): ONNX 模型文件路径        output_dir (str): 输出目录        model_name (str): 输出模型名称        log_level (str): 日志级别（"INFO", "WARNING", "ERROR"）    """    # 创建输出目录    os.makedirs(output_dir, exist_ok=True)    xml_path = os.path.join(output_dir, f"{model_name}.xml")    bin_path = os.path.join(output_dir, f"{model_name}.bin")    try:        # 转换模型        print("正在将 ONNX 模型转换为 OpenVINO IR...")        model = mo.convert_model(            input_model=onnx_path,            input_shape=[1, 3, 640, 640],  # YOLOv5 默认输入尺寸            compress_to_fp16=True,  # 压缩为 FP16 以减小模型大小            log_level=log_level        )        # 保存模型        serialize(model, xml_path, bin_path)        print("✅ 转换成功！IR 模型已保存到：")        print(f" - {xml_path}")        print(f" - {bin_path}")        return True    except Exception as e:        print(f"❌ 转换失败: {str(e)}")        return Falseif __name__ == "__main__":    # 参数设置    ONNX_PATH = "yolov5s.onnx"  # 请替换为你的 ONNX 文件路径    OUTPUT_DIR = "openvino_model"    MODEL_NAME = "yolov5s"    # 执行转换    success = convert_onnx_to_ir(ONNX_PATH, OUTPUT_DIR, MODEL_NAME)    sys.exit(0 if success else 1)

模型调用

环境配置

pip install openvino-dev

模型加载

import cv2import numpy as npfrom openvino.runtime import Core# 初始化OpenVINO核心组件ie = Core()# 加载压缩后的IR模型（.xml和.bin文件）model_path = "compressed_model.xml"model = ie.read_model(model_path)compiled_model = ie.compile_model(model, "AUTO")  # "AUTO"自动选择最佳硬件，也可指定"CPU"、"GPU"等# 获取输入输出节点名称input_layer = compiled_model.input(0)output_layer = compiled_model.output(0)

模型运行结果