基于FPGA的穴盘苗轻量化健康识别方法：加速算法运行与降低能耗的创新研究

为解决温室穴盘苗健康检测中传统工业计算机体积大、计算效率低、成本高的问题，研究人员基于FPGA（现场可编程门阵列）开发了改进Sobel算子边缘检测算法的视觉识别系统。该系统在50 MHz外部晶振下对6种穴盘苗（如一串红、夏堇等）实现98%平均识别准确率，处理速度达2.64 ms，功耗仅24 W，为温室移栽设备提供高效轻量化解决方案。

　　

在现代化温室育苗领域，穴盘苗的健康状态检测直接关系到移栽成活率和农业生产效率。传统依赖高性能计算机的视觉识别系统面临三大痛点：庞大的物理尺寸限制了田间部署，复杂的网络训练导致计算效率低下，高昂的硬件成本阻碍了技术推广。更棘手的是，现有算法对多品种穴盘苗的适应性不足，边缘检测精度和实时性难以兼顾。这些瓶颈严重制约了自动化移栽设备的推广应用。

针对这一产业难题，国内某研究机构（根据CRediT声明推测为国内机构）的Yatao Li团队在《Smart Agricultural Technology》发表了一项突破性研究。他们创新性地采用FPGA（现场可编程门阵列）替代传统工业计算机，通过改进的Sobel算子边缘检测算法，构建了一套轻量化视觉识别系统。该系统不仅能实时检测穴盘苗空穴和生长不良情况，还将识别速度提升至毫秒级，同时将功耗控制在24W的极低水平。

研究团队主要运用了四项关键技术：基于OV5640 CMOS传感器的图像采集模块实现2592×1944高分辨率拍摄；加权灰度转换算法（Gray= R×0.306 + G×0.601 + B×0.117）突出叶片特征；3×3高斯滤波核消除基质干扰；改进的Sobel算子（G=√(G_x²+G_y²)）实现自适应阈值边缘检测。实验选取一串红、夏堇等6种典型穴盘苗，通过计算单穴连通区域像素面积（15.36像素/mm²）评估健康状态。

在系统结构方面，采用Cyclone IV系列FPGA芯片EP4CE10F17C8，通过双FIFO模块实现乒乓操作数据流，利用50MHz晶振经PLL分频产生75/100MHz时钟控制SDRAM读写。这种架构使图像处理各模块能并行运算，较CPU提速18倍。

识别结果显示，系统对6种穴盘苗的平均准确率达96.4%，其中鸡冠花识别精度最高（98.5%），孔雀草相对较低（89%）。误差分析表明，误判主要源于叶片跨穴生长（12.3%案例）和基质颗粒干扰（7.8%案例）。值得注意的是，在640×480分辨率下，FPGA处理耗时仅2.64ms，较CPU（50ms）和GPU（3.78ms）具有显著速度优势，且功耗仅为GPU的1/10。

讨论部分强调，该研究首次实现了FPGA在多品种穴盘苗识别的普适性应用。改进的Sobel算子在低分辨率图像处理中展现出色性能，其自适应阈值机制有效克服了传统固定阈值法的过分割问题。尽管在叶片重叠处理上仍需优化，但该系统已满足温室移栽机对实时性（<3ms/帧）和轻量化（芯片尺寸8mm×8mm）的双重要求，为智慧农业装备提供了可落地的技术方案。这项成果不仅推动了边缘计算在农业视觉检测中的应用，更为资源受限场景下的轻量化AI部署提供了重要参考范式。