基于种子身份匹配规则的玉米种子间距和播种率实时检测方法

《Computers and Electronics in Agriculture》：Real-time detection method for corn seed spacing and sowing rate based on the seed identity matching rule

　　高振|魏珊珊|冯元正|郝建军|赵晓顺|赵建国|孙一飞|李兆伟|李晨阳|闫帅强
河北农业大学机电工程学院，保定071001，中国

摘要
精确检测种子间距和播种率对于评估机械化玉米种植的质量至关重要。为了解决这一问题，我们提出了一种基于改进的YOLOv8模型和种子身份匹配规则的实时检测方法。该方法将Slim-neck轻量级架构和C2f-EMA增强特征提取模块集成到YOLOv8中，以优化种子检测效率。此外，还开发了一种种子身份匹配规则，用于消除连续帧之间的重复计数，从而能够精确计算种子间距和播种率。改进后的YOLOv8模型取得了最佳性能：推理速度为73 FPS，模型大小仅为5.1 MB。mAP@50:95达到了81.33%，比原始模型提高了14.2个百分点。在KINZE T4000测试台上进行的台架测试显示，播种率平均误差为3.9%，适用于20–60 rpm的旋转速度范围。在JPS-12测试台上的进一步验证表明，种子间距的平均绝对误差（MAE）为0.55 cm，皮尔逊相关系数（PCC）为0.99。在田间实验中，该方法表现出高度的稳定性，种子间距MAE为1.25 cm，PCC为0.99。这些结果证明了该方法在高速、高精度播种机中的实时性能评估和自适应控制的可靠性。

引言
玉米是一种主要的粮食、饲料和工业作物。单位面积的玉米产量对于确保粮食安全非常重要（Ye等人，2023年）。作为玉米生产的关键阶段，机械化种植已经取代了人工种植。机械化玉米种植的质量直接影响产量（Liu等人，2023年）。在玉米的机械化精准种植中，种子间距和播种率是直接影响植株均匀性的关键农艺指标，最终影响谷物产量。播种率衡量的是总的种子输出量，而种子间距是标准播种质量指标的关键参数。播种率和种子间距的测量对于测量饲料种子指数、漏播指数和多粒种子指数非常重要（Gagliardi等人，2021年；Shafi等人，2019年；Gao等人，2023年；Javaid等人，2022年）。不均匀的间距、漏播或多粒播种会显著降低产量潜力。因此，开发一种准确的实时监测方法来评估这些指标对于确保种植质量和优化农业产出至关重要。

在种子间距检测的研究中，传感器通常安装在种子计量器下方的种子引导管中。这些传感器捕捉种子通过时产生的电信号和相应的时间间隔，从而可以估计引导管内连续种子之间的间距。这种测量得到的间距通常被视为种子间距，并进一步用于评估种子间距的均匀性、变化情况，以及识别漏播或多粒播种的情况（Huang等人，2013年）。因此，现有研究主要集中在提高种子在引导管中传输过程中的信号采集精度上。已经探索了多种传感技术，包括基于反射红外光的光电传感器、电容传感器、红外光电二极管传感器以及光纤和激光传感器（Ji等人，2016年；Zhou等人，2012年；Karimi等人，2017年；Hu等人，2019年；Xie等人，2021年）。这些方法大多隐含地假设在种子引导管内测量的种子间距直接对应于苗床中的实际种子间距。实际上，种子在检测后仍然处于运动状态，并继续通过引导管。在此过程中，种子与引导管内壁的碰撞（Kocher等人，2011年）以及种子离开管子时与土壤表面的撞击，都可能改变种子的最终位置。这些动态相互作用会导致测量间距与苗床中实际间距之间的偏差（Zhou等人，2020年；Zhou，2021年）。以往的研究大多忽略了由于种子反弹和释放后的运动引起的位置变化，使得在现场获得准确的种子间距测量变得困难。

随着高速精准播种机的广泛应用，传统的操作后评估方法已不足以满足实时质量监测和控制的需求。越来越需要能够在种植过程中提供即时反馈的实时检测系统。传统的监测方法往往精度有限、反馈延迟，或者无法直接测量苗床中的实际种子分布，尤其是在复杂的田间条件下。因此，我们提出了一种基于计算机视觉的方法来检测种子间距和播种率。计算机视觉技术已被用于监测播种率和种子间距。相关研究调查了种子计量器性能测试台和播种终点，即种子落在土壤表面到被回填土壤覆盖之间的时间间隔。使用种子计量器性能测试台测量播种率和种子间距可以提高测试效率，并为改进种子计量器性能提供数据支持。Cai等人（2005年）开发了一种基于计算机视觉的种子间距检测方法，其中相机在涂油的传送带上捕捉种子图像。通过灰度阈值分割从背景中提取种子图像，边缘检测识别种子并测量种子间距。Li等人（2009年）和Liu等人（2012年）使用高速相机记录种子落在传送带上的情况，应用图像阈值处理和种子中心计数进行种子检测和间距测量。在播种终点监测种子间距可以有效防止种子与输送管的碰撞（Kocher等人，2011年），并减少种子与土壤碰撞对检测结果的影响（Zhou，2021年）。Badua和Sharda（2018年）提出了使用苗床图像拼接的种子间距检测方法，但该方法仍处于概念验证阶段，对环境敏感。Li等人（2022年）将光纤传感器与机器视觉相结合，在0.2 m/s的速度下实现了超过93%的检测精度。在玉米播种研究中：Liu等人（2023年）使用无人机图像和动态阈值二值化技术，种子坐标识别误差为2.4%；Han等人（2020年）通过结合CCD高速相机和形态学方法将播种率检测误差降低到3%以下。Gao等人（2024年）提出了一种基于“速度-速率”关联的图像拼接算法，结合YOLOX，实现了玉米种子间距的间歇性检测（每秒拼接、检测和输出一次）。这些研究证实了计算机视觉在播种检测中的可行性和精度优势。

为了基于计算机视觉检测播种率和种子间距，需要快速检测种子目标。然而，目前大多数研究使用传统的图像处理技术，如灰度转换、二值化、膨胀、侵蚀、形态学操作和轮廓检测来进行目标检测。或者，也使用K-means聚类和支持向量机等机器学习算法。这些方法的处理速度通常较慢，精度较低。深度学习算法更加智能和适应性强（Shrestha和Mahmood，2019年）。通过学习复杂的特征表示，深度学习算法可以实现更准确的检测并提高算法精度（Liu和Lang，2019年）。YOLOv8是Ultralytics开发的YOLO系列深度学习目标检测算法之一。YOLOv8旨在实现高检测精度、快速处理速度和通用性。其优化的网络架构和训练策略在保持实时性能的同时提高了检测精度。轻量级模型可以部署在资源受限的设备上，如边缘设备。许多研究人员在各种目标检测场景中使用了YOLOv8，并进行了广泛的实验。已经对YOLOv8进行了多项多维度改进，以适应农业应用。Niu等人（2024年）将EfficientNet特征提取用于大豆杂草检测，并结合Focal-SIoU损失函数提高边界框回归精度。Karim等人（2024年）结合CBAM注意力机制和C3Ghost层构建了用于棉花杂草检测的轻量级模型。Gu等人（2024年）使用BRA稀疏注意力模块和动态检测头同时检测芒果果实和茎，并在边缘设备上部署了模型；Al Riza等人（2024年）构建了YOLO-CoLa模型，结合LSKBlock模块用于测量可可豆发酵精度；Chen等人（2024年）优化了网络参数，以便从X射线图像中快速定位玉米种子内部的裂纹；Liu等人（2024年）使用PDWConv卷积和网络缩放因子构建了YOLOv8pico，以降低苹果检测的计算复杂性。这些研究模块化地改进了YOLOv8架构，提高了不同作物的检测精度和模型轻量化，同时保持了实时性能。

为了克服传统算法中检测速度慢和精度低的问题，我们提出了一种基于改进的YOLOv8和种子身份匹配规则的玉米种子间距和播种率实时检测方法：（1）通过轻量级架构和注意力机制改进原始YOLOv8，以提高在边缘设备上的高速和高精度感知；（2）开发种子身份匹配规则，通过消除重复计数将改进后的YOLOv8逐帧输出转换为时空数据。虽然C2f-EMA增强的YOLOv8在严重运动模糊情况下仍能保证高精度的视觉特征提取，但匹配规则利用确定性物理约束进行时间去重。这种跨学科的结合完全绕过了传统复杂跟踪算法的计算开销，为高速农业监测提供了新的范式。

**部分摘录**
在KINZE T4000种子计量器测试台上获取玉米种子图像
我们利用KINZE T4000种子计量器测试台建立了玉米种子图像获取平台。KINZE T4000配备了一个由无刷直流电机驱动的指针型种子计量器。计算机以预定速度调节种子计量器轴的旋转，从而便于种子通过计量器下方的出口排出。图像获取设备的配置和获取的图像如图1所示。所使用的工业相机为……

**结果**
我们进行了五项实验来评估我们方法的性能：（1）k折交叉验证实验，以验证改进后的YOLOv8模型在不同数据子集上的鲁棒性和泛化能力；（2）对改进后的YOLOv8进行消融实验，以评估每种改进措施的贡献；（3）与最先进的检测算法进行比较实验，以评估其在实际应用中的整体性能优势；（4）改进后的YOLOV8的性能分析

**结论**
本研究解决了精准种植监测系统中实时响应性和检测精度之间的关键权衡问题。通过提出一种基于改进的YOLOv8算法和种子身份匹配规则的监测方法，我们得出以下发现：①通过引入Slim-neck架构和C2f-EMA注意力机制，改进后的YOLOv8在检测精度和计算效率之间实现了有效的平衡。部署在Jetson OrinC上……

**作者贡献声明**
高振：撰写——审稿与编辑、撰写——初稿、验证、软件、方法论、资金获取、数据整理。
魏珊珊：撰写——初稿、可视化、方法论、形式分析、数据整理。
冯元正：软件、资源、概念化。
郝建军：撰写——审稿与编辑、资源、方法论、资金获取、形式分析。
赵晓顺：撰写——审稿与编辑、可视化、方法论、资金获取。
赵建国：利益冲突声明

**致谢**
本研究得到了中央领导地方科技发展基金项目（254Z7201G）、河北农业大学人才引进研究项目（YJ2024037）和河北省农业机械研发、制造、推广与应用整合项目（202504）的支持。