摘要
马铃薯是全球最重要的粮食作物之一，在全球粮食安全和农业生产中发挥着关键作用。马铃薯的破损率和杂质含量是评估联合收割机作业质量的重要指标。为了解决传统方法难以实现连续在线检测的问题，本研究探讨了一种基于机器视觉的马铃薯联合收割机在线监测方法。考虑到田间作业条件下物料体积大、重叠严重以及外观特征相似的特点，设计了一种适用于马铃薯联合收割机的在线监测设备，并配套了相应的图像采集和处理流程。对于该在线监测设备，提出了改进版的“You Only Look Once”（YOLOv11）检测模型，以满足复杂作业场景下的多目标检测需求。该模型结合了多尺度深度卷积（MSDConv）、C2PSA_DCA（带有方向性上下文注意力，DCA）和方向选择性注意力（DSA）模块，并引入了高效交并比（EIoU）损失函数，以提高对破损马铃薯和多种杂质目标的识别能力。在保持轻量级特性的同时，改进后的模型展现了良好的检测精度。田间实验结果表明，当联合收割机以3公里/小时的速度运行时，破损率和杂质含量的相对误差分别为3.78%和3.67%；而在4公里/小时的极端作业条件下，相应的平均相对误差分别上升至8.30%和8.72%。总体而言，在线检测结果与手动测量结果的一致性令人满意，为马铃薯联合收割机作业中的实时质量监测提供了有效的技术支持。未来的研究将重点扩展不同土壤和光照条件下的多场景数据集，并将检测结果与自适应控制策略相结合，以进一步提升智能收割性能。
