基于改进YOLOv5s的马铃薯漏播检测与刮板式补种系统设计与试验

《Frontiers in Plant Science》：Design and experiment of miss-seeding detection and preparatory seed scraper-belt compensation mechanism based on improved YOLOv5s for potato seed-metering devices

本研究提出了一种基于改进YOLOv5s（You Only Look Once version 5 small）的马铃薯勺链式排种器漏播检测与补种系统，通过集成卷积块注意力模块（CBAM）和软非极大值抑制（Soft-NMS）算法，在复杂田间环境下实现99.40%的平均精度均值（mAP）。系统采用视觉识别与机械补偿协同工作，在0.2–0.4 m/s作业速度下将漏播率从5.28%–9.40%降低至0.70%–1.68%，补种成功率高达82.14%–86.67%。该系统为传统播种设备提供了智能化升级路径，推动了精准农业技术的发展。

　　

引言

马铃薯作为全球重要粮食作物，其机械化种植水平直接影响产量与经济效益。勺链式排种器因结构简单、适应性强而被广泛应用，但种子物理特性（如尺寸不均、表面黏附性）及作业振动、粉尘等因素常导致漏播，造成出苗不匀和减产。传统漏播检测主要依赖光电传感器、超声波传感器或机械接触检测，但易受田间粉尘干扰，且高速作业下适应性有限。近年来，深度学习技术为漏播检测提供了新途径，其中YOLO系列算法因实时性优势备受青睐。然而，原始YOLOv5在复杂田间环境中存在漏检和误检问题，亟需通过算法优化提升检测精度。

系统总体设计

系统硬件由漏播检测模块、补种模块和控制模块构成。检测模块采用CCD工业相机和NVIDIA Jetson TX2嵌入式平台，通过改进的YOLOv5s模型实时识别种勺内马铃薯种子；补种模块包含步进电机驱动的刮板式补种带和光纤传感器，实现种子预置与快速补种；控制模块以STM32F103ZET6微控制器为核心，协调视觉检测与机械执行。系统采用“先检测后补偿”的串行工作流程，确保补种动作的准确性与时序同步性。

漏播检测与补种系统设计

漏播检测模块通过倾斜25°的工业相机捕捉种勺运动图像，结合环形光源照明，由YOLOv5s模型分析种子存在状态。检测到漏播时，Jetson TX2通过RS-485通信向STM32发送指令，触发补种机制。补种模块采用L型刮板带结构，通过光纤传感器监控种子预置状态，实现“检测-决策-执行”闭环控制。控制电路集成光纤检测、电机驱动和人机交互模块，确保系统在复杂田间环境下的稳定运行。

漏播检测算法设计

算法改进主要包括两方面：一是在YOLOv5s中引入CBAM注意力机制，通过通道与空间注意力加权增强关键特征表达，提升模型在粉尘、杂草干扰下的鲁棒性；二是采用Soft-NMS替代传统NMS，通过软化重叠框抑制策略，减少相似种子目标的漏检。训练中使用CIoU损失函数优化边界框回归，在自定义数据集上达到98.30%的精确率、99.40%的召回率和99.40%的mAP。消融实验表明，CBAM与Soft-NMS的协同作用显著提升了模型性能。

性能测试

田间试验表明，系统在0.2 m/s低速下原始漏播率为5.28%，补种后降至0.70%，补种成功率达86.67%；在0.3 m/s中速下漏播率从6.57%降至1.04%，成功率84.21%；而在0.4 m/s高速下，因振动加剧，漏播率从9.40%降至1.68%，成功率略降至82.14%。刮板式预置种系统的补种准备成功率超过96%，保障了作业连续性。试验结果验证了系统在中低速条件下的高效性与可靠性，但高速性能仍需进一步优化。

结论

本研究开发的基于改进YOLOv5s的漏播检测与补种系统，通过算法与机械协同创新，显著提升了马铃薯播种的精准度。CBAM与Soft-NMS的引入有效增强了模型在复杂环境中的检测能力，而刮板式补种机制实现了高效种子补偿。系统在嵌入式平台上的实时部署为农机智能化提供了可行方案，未来可通过多传感器融合和动态优化进一步拓展应用场景。