编辑推荐：
为解决半喂入花生联合收割机缺少合适在线检测装置的问题，研究人员开发轻质装置检测破损及含杂率。通过优化采样机制，改进 YOLOv8n-Seg 模型，田间测试表明该装置在不同速度下有不同检测精度，可提升花生收获质量与效率。
花生，作为重要的油类和经济作物，在我国广泛种植。随着农业现代化的推进，半喂入花生联合收割机凭借其高集成度、高效率等优势，成为花生收获的重要设备。然而，在花生收获过程中，破损率和含杂率这两个关键指标却一直缺乏有效的监测手段。以往采用停机称重、人工计算的传统方法，不仅效率低下，还容易受到人为因素的干扰，导致检测结果的准确性大打折扣。这就好比在一场重要的比赛中，没有精准的裁判来评判成绩，使得收获过程无法得到及时优化，严重影响了花生的收获质量和经济效益。为了填补这一空白，提升花生收获的品质和效率，研究人员开启了一项极具意义的探索。虽然文中未提及具体研究机构，但他们围绕半喂入花生联合收割机破损及含杂率在线检测展开了深入研究。最终，研究人员成功开发出一种轻质检测装置，并取得了一系列令人瞩目的成果。该研究成果发表在《Computers and Electronics in Agriculture》杂志上，为花生收获领域带来了新的曙光。
在研究过程中，研究人员主要运用了以下关键技术方法：一是优化采样机制，依据花生收获时物料传输的特点，对采样装置进行精心设计，从而提升图像采集的质量；二是改进 YOLOv8n-Seg 模型，通过融入多尺度特征融合、任务分解、变形卷积以及注意力机制等技术，增强模型的检测能力，使其更适应复杂的检测环境。
采样装置的构成
研究人员设计的监测装置能够持续捕捉物料图像，并将结果传输至显示终端，方便操作人员实时监控机器运行参数，进而提升收获质量。采样装置安装在收集箱入口处，配备 MV-CS020-10UC 型号的工业相机和 MVL-HF0628M-6MPE 型号的镜头，镜头垂直于卸料板安装，距离为 300mm。这一设计优化了图像采集过程，为后续的精确分析奠定了基础。
螺旋输送机的安装
研究人员对螺旋输送机与卸料滑道之间不同高度（H）的图像效果进行了研究。当高度为 1D 时，狭窄的间距导致物料在滑道顶部堆积过多，阻碍物料通过采样装置，采集图像中物料的可见度降低；高度为 2D 时，物料流量增加引发聚集和遮挡，对图像识别性能产生负面影响。通过这些研究，为螺旋输送机的合理安装提供了依据。
模型改进与性能测试
研究人员提出的改进 YOLOv8n-Seg 模型，结合了多尺度特征融合、任务分解、变形卷积和注意力机制。多尺度特征融合使模型能获取不同尺度的信息，更好地识别大小不同的目标；任务分解将复杂的检测任务拆分为多个子任务，提高检测效率；变形卷积可自适应地调整卷积核的形状，更好地贴合目标的形状；注意力机制让网络能够自适应地聚焦于关键区域，提升分割精度和复杂条件下的适应性。经过田间测试，在机器速度为 0.4m/s 时，该模型对破损率和含杂率的检测误差分别为 3.97% 和 3.72%；速度提升至 0.8m/s 时，平均相对误差分别增加到 7.69% 和 7.59%。此外，将监测系统部署在显示终端后，平均每 2 秒就能更新一次检测结果，方便操作人员或自动化控制系统及时调整参数。
研究成功开发出的轻质检测装置，优化了采样机制，实现了物料图像的连续采集；改进的 YOLOv8-Seg 模型在不同速度下展现出良好的检测性能，为花生联合收割机的参数调整提供了有力支持。这一研究成果对花生收获行业意义重大，不仅提升了花生收获的质量和效率，减少了损失，还为农业智能化发展提供了技术参考，推动了农业现代化的进程。未来，随着技术的不断进步，有望进一步优化检测装置和模型，降低检测误差，使其在更广泛的作业条件下稳定运行，为花生种植户带来更多的经济效益。
