《Computers and Electronics in Agriculture》：S3WP: A novel method for online predicting weight of stacked seeds needed to grow seedlings based on binocular vision and improved YOLO11n-seg
编辑推荐：
针对现有插盘播种机无法实时根据种子重量调整播种参数的问题，本研究提出基于双目视觉与改进YOLO11n-seg的种子重量预测方法。通过测量常见蔬菜和水果种子物理参数，建立种子重量与宽度的函数关系，结合双目相机获取的深度信息实现种子宽度三维重建，开发图形用户界面实现播种参数自适应调整。实验表明，改进算法的检测精度显著提升，平均MRE为6.05%，测量时间仅为手动操作1.1%-1.7%。
丁新婷|王玉龙|王旭|王冰冰|李莉|李浩|崔永杰|杨启昌
西北农林科技大学机械电子工程学院，中国杨陵712100
摘要
现有的穴盘播种机的播种参数无法根据种子重量进行实时调整，这导致了播种性能不佳、通用性差以及智能化水平低的问题。为此，本研究提出了基于双目视觉和改进的YOLO11n-seg算法的堆叠种子重量预测（S3WP）方法，以解决在线预测育苗所需种子重量的挑战。首先，测量并分析了常见蔬菜和水果种子的物理参数，并探讨了不同种子家族之间的重量与宽度之间的功能关系。其次，通过对YOLO11n-seg的注意力机制、损失函数和上采样方式进行改进，提高了种子识别和分割的准确性。然后，可以判断种子家族并测量种子的像素宽度。接着，使用双目相机获取穴盘播种机种子箱中堆叠种子的图像和空间深度信息，通过结合种子的像素宽度与深度信息得到种子的实际宽度。最后，利用种子重量与宽度之间的功能关系，开发了一个图形用户界面，实现了穴盘播种机种子箱中种子的重量预测。实验结果表明，与原始的YOLO11n-seg相比，改进后的S4-YOLO11n在Pbox、Rbox、mAP50box、Pmask、Rmask和mAP50mask指标上分别提高了2.2%、3.6%、4.1%、1.9%和4.0%。S3WP方法的种子家族判断准确率达到100%，种子重量预测的平均平均相对误差（MRE）为6.05%。种子重量测量所需的时间仅是手动测量的1.1%至1.7%。本研究满足了非接触式在线检测种子重量的准确性和计算时间要求，为工业化育苗中智能穴盘播种机播种参数的自适应调整提供了准确的种子重量数据支持。
引言
工厂化育苗作为现代农业发展的关键方向，对提升农业竞争力、保障粮食安全、促进农民增收以及推动农业可持续发展产生了深远影响。穴盘播种作为工厂化育苗的第一步，是实现高效、精准、大规模育苗的关键环节（Ding等人，2022年）。然而，现有穴盘播种机的通用性较差，导致播种合格率低，生产成本增加，限制了其在国内设施农业和中小型农业合作社中的广泛应用。
现有的真空吸力穴盘播种机主要针对某种类型的种子优化了负压参数（Cao等人，2021年；Ma等人，2024a年；Zhang等人，2023b年）。尽管实现了较高的播种合格率，但无法实现对不同种子的动态和自适应负压调节。Ding等人（2024b年）开发了一种基于静电吸附的穴盘播种机，实现了对六种常见种子的识别和播种参数的自适应调节。然而，对于其他种子的播种参数仍不清楚，即尚未实现真正意义上的通用调节。同时，研究发现，吸附不同种子所需的静电电压存在差异，即静电电压与种子重力之间存在一定的正相关关系：种子重力越大，所需的静电电压越高。类似的研究结论也适用于真空吸力穴盘播种机（Ding等人，2024a年；Yan等人，2023年），即种子重力越大，所需的真空负压越高。因此，为了实现智能穴盘播种机的自动控制和播种参数的精准调节，无论是静电吸附还是真空吸附，都需要在线检测种子重量。
机器视觉和图像处理算法的不断发展为农业识别和测量任务带来了全新的可能性。基于深度图像和深度学习，实现了对葡萄果实大小（Du和Liu，2023年）、苹果直径（Gené-Mola等人，2023年；Miranda等人，2023年；Mirbod等人，2023年）、苹果树干直径（Sun等人，2022年）、番茄茎直径（Qi等人，2024年）、香菇菌盖直径（Tao等人，2024年）和平菇体积（Luo等人，2024年）的识别、分割和测量。与传统的人工测量方法相比，机器视觉和深度学习不仅提高了测量效率，还实现了无需人工干预的非接触式测量，避免了传统方法中可能存在的测量误差和干扰（Zhen等人，2024年），从而为农业评估提供了更可靠和及时的生产数据支持。
大多数传统的种子大小和重量测量方法都是人工操作，包括捡取单个种子、测量、称重、记录和数据统计等步骤。这些方法不仅效率低下，还需要从穴盘播种机的操作生产线中手动取出种子，无法满足快速、在线、非接触式获取种子物理属性参数的要求。为了解决这些问题，最近的对象检测算法取得了显著进展。其中，You Only Look Once（YOLO）作为一种基于深度学习的方法，其核心架构结合了卷积神经网络和创新的特征提取策略。通过卷积层进行空间模式识别，池化层进行特征压缩，全连接层进行最终分类和定位（Akdo?an等人，2024年），YOLO在实时性能和检测精度之间取得了卓越的平衡。这一特性使其在从对象检测（Li等人，2022年）到像素级分割（Liang等人，2024年）和姿态分析（Ma等人，2024年）等农业应用中得到了广泛应用。然而，尽管具有这些优势，基于YOLO的系统在处理密集排列的种子簇和极端尺寸变化时仍面临挑战，这促使人们不断改进算法，如引入注意力机制和优化网络结构（Akdo?an等人，2025年；Bao等人，2023年；Li等人，2023a年）。在此背景下，学者们探索了利用机器视觉和深度学习进行种子物理属性预测的方法（Zhang等人，2023c年）。典型的实现方式是在YOLO框架的基础上进行针对性改进。Song等人（2022年）设计了轻量级的YOLO v5-MDC网络，用于检测和计数严重粘附的小麦颗粒，准确率达到93.15%，召回率和平均精确度均超过99%。Zhao等人（2022年）改进了YOLO v5以检测小麦颗粒，对发芽、病斑、霉变和正常小麦颗粒的检测准确率达到了97.0%，同时显著提高了检测速度。Pan等人（2023年）采用ImCascade R-CNN深度学习方法识别小麦颗粒的表型，颗粒长度和宽度的平均差异率分别为2.15%和3.74%，长度-宽度比的标准误差为0.15%，与手动测量结果高度一致。Huang等人（2024年）使用手持三维激光扫描仪批量获取种子点云数据，提取单个种子的三维模型，并实现了泊松表面重建和自动特征估计。Zhang等人（2023a）开发了一种小麦种子表型检测系统，分析了小麦表型特征参数与千粒重之间的相关性，建立了二维图像和千粒重的预测模型。在上述研究中，采用了非接触式方法进行种子计数和害虫检测。虽然使用特殊设备提高了种子大小的测量精度，但也增加了成本并降低了效率。在种子重量预测方面，上述研究未能满足工厂化穴盘播种机在线、快速、宏观测量的要求。
总之，由于缺乏针对工厂化育苗种子千粒重的在线预测方法，并且实际需求是通用穴盘播种机需要根据种子重量调整播种参数，因此提出了一种基于双目视觉和改进的YOLO11n-seg的堆叠种子重量在线预测新方法。本研究的具体目标和目的是：（1）明确常见设施育苗种子（葫芦科、茄科、十字花科）的重量与大小之间的功能关系；（2）开发改进的实例分割算法（S4-YOLO11n），以准确识别种子家族并从堆叠种子图像中测量种子像素大小；（3）通过融合双目视觉深度信息和上述重量-大小关系，实现堆叠种子重量的在线、非接触、快速预测，从而为通用穴盘播种机播种参数的自适应调整提供数据支持。为实现这些目标，测量了三种种子家族的物理属性，建立了重量-大小功能关系。开发了S4-YOLO11n算法，利用双目相机获取图像和空间深度信息，识别种子箱中堆叠种子的种子家族并测量像素大小。结合重量-大小关系，将来自像素和深度数据的物理尺寸转换为种子重量，最终支持工厂化育苗中无人智能穴盘播种机的自动控制。
章节片段
现有问题与研究方法
目前，种子物理特性的检测主要依赖于静态离散采样模式，需要将单个种子分离并平铺在专用图像平台上。虽然这种方法可以准确测量单个种子的参数，但存在检测效率低和连续性差等问题。为了实现园艺设施农业中穴盘播种机的真正智能化和通用化播种（图1a），
种子物理属性的统计分析
观察和分析发现，属于同一“家族”的种子形状大体相同，但也存在一定差异。例如，葫芦科植物的种子多为扁平椭圆形，表面相对光滑，一端略尖，另一端圆润，边缘略有棱纹。而黄瓜和甜瓜种子的形状则更为细长。茄科植物的种子则较为扁平
结论
本研究提出了一种基于双目视觉和改进的YOLO11n-seg的堆叠种子重量预测方法。通过双目相机获取种子箱中种子的整体信息，然后检测主相机图像中的种子，利用改进的YOLO11n-seg（S4-YOLO11n）进行分割并获取掩膜。通过二维空间与三维空间之间的映射关系，得到了种子的实际宽度
CRediT作者贡献声明
丁新婷：撰写 – 审稿与编辑，撰写 – 原稿，方法论，正式分析，数据管理。王玉龙：验证，方法论，调查。王旭：可视化，方法论，正式分析。王冰冰：撰写 – 审稿与编辑，调查。李莉：方法论，调查。李浩：撰写 – 原稿，可视化，数据管理。崔永杰：撰写 – 审稿与编辑，监督，项目管理，概念化。杨启昌：监督。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究在西北农林科技大学机械电子工程学院进行，并得到了中国陕西省重点研发计划（2019ZDLNY02-04）和中国国家重点研发计划（2019YFD1002401）的支持。
