基于YOLOv8-MA的气力式吸种盘充种性能在线检测方法研究

《AgriEngineering》：Research on an Online Detection Method of Seed Filling Performance for a Pneumatic Suction Seed Metering Device Based on YOLOv8-MA

　　

为解决高速作业下气力式吸孔排种器(seed metering device)充种性能难以实时检测——种子目标微小、易粘连且受运动模糊影响的问题，本文提出一种轻量级在线检测算法YOLOv8n-MA。首先依据吸孔吸附特性将检测目标分为三类：无种(none)、单粒(one)和双粒(two)。其次以YOLOv8n为基础，用MobileNetV1替换骨干网络(backbone)以降低计算开销，并在颈部网络(Neck)中引入ACmix混合注意力模块以增强对三种吸孔状态的特征表征能力。最后为满足资源受限设备上的低延迟推理需求，将模型部署于边缘计算控制器实现实时检测。实验结果表明，相比原始YOLOv8n，YOLOv8n-MA参数量减少34.4％、浮点运算量(FLOPs)降低59.8％，平均精度均值(mAP)提升2.0％达96.8％，在同等YOLOv5n、YOLOv9n、YOLOv10n等模型中实现了精度与效率的更优权衡；田间试验中12 km/h时检测精度达95.02％，15 km/h时达92.65％。该方法为高速精密播种的智能监控与控制提供了有效技术支持。

论文解读：基于YOLOv8-MA的气力式吸种盘充种性能在线检测方法研究

该研究发表于《AgriEngineering》。气力式吸孔排种器（pneumatic suction seed metering device）因通用性强、伤种率低、频率高而广泛用于玉米及大豆等作物精量播种，其工作过程含充种（seed filling）、清种（seed cleaning）、携种（seed carrying）和投种（seed dropping）四阶段，其中充种质量直接决定播种均匀性、合格率和田间出苗质量。随作业速度提高，吸孔处气流作用时间缩短、离心力增大，加之真空度、转速及种子姿态影响，易出现空穴（漏播）、重播（多粒吸附）及斜置吸附等缺陷。传统性能检测依赖人工计数、光电或压电传感器，前者无法在线实时，后者仅能判别有无种子、难区分重播与斜置且易受粉尘振动干扰；机器视觉虽可非接触获取更多信息，但通用相机帧率不足难以适应高速，高速相机昂贵笨重多限于实验室离线分析，且田间振动、光照变化及落种后覆土使连续种流图像采集困难。因此，开发能在高速工况下在线实时评估充种性能的智能视觉检测方法具有重要实际意义。本研究构建了基于改进YOLOv8目标检测模型的排种器充种性能在线检测系统，核心创新是将多头注意力（Multi-head Attention, MA）机制融入YOLOv8架构以提升对高速动态模糊及复杂背景下单粒与重叠种子的准确识别能力，通过直接分析种盘图像在线计算合格指数（quality of feed index）、漏播指数（miss index）及重播指数（multiple index）并输出，为排种装置性能评价与作业参数优化提供实时数据支撑。

研究人员采用的主要关键技术方法如下：搭建含近红外相机（ANAV6364 NIR camera，焦距3.5 mm）、限种板、扰动板、双弧清种刷及负压风机的气力式排种器试验平台，相机安装于携种区上方距种盘面40 mm处，视场55 mm×55 mm可同时覆盖三个连续吸孔；按负压区间（?4～?4.5 kPa为空穴，?4.5～?6.5 kPa为单粒，?6.5～?7.5 kPa为多粒）采集3000帧1280×720近红外图像，标注为none、one、two三类，按8∶1∶1划分训练验证测试集，对训练集施加高斯噪声、运动模糊及多角度旋转增广得最终3900幅训练、300幅验证、300幅测试样本；以YOLOv8n为基线，将CSPDarknet骨干网替换为MobileNetV1（深度可分离卷积depthwise separable convolution分解标准卷积为深度卷积与1×1逐点卷积，理论FLOPs降至约1/9），在Neck高层语义分支嵌入ACmix混合注意力模块（先经1×1卷积统一投影再并行卷积聚合路径与自注意力聚合路径，通过可学习参数α、β自适应融合局部细节与全局感知），形成YOLOv8n-MA轻量模型；模型输入分辨率640×640，初始学习率0.01，batch size 8，训练200 epoch，分别以Precision(P)、Recall(R)、各类别平均精度(AP)及mAP@0.5为评价指标，并与YOLOv5n/YOLOv9n/YOLOv10n/YOLOv11n/YOLOv12n做横向对比及消融实验验证各模块作用；最后搭载2BQX-6J气力式播种机按GB/T 6973?2005开展6、8、10、12、15 km/h五梯度田间试验，以系统检测与人工检测结果偏差计算综合检测精度。

4.1. Results and Analysis of Model Training Experiments

通过与原模型对比、不同版本YOLO模型横向比较及消融实验得出结论。YOLOv8n-MA参数量降至2.1 M（降34.4%）、GFLOPs降至3.5 G（降59.8%），mAP提升至96.8%（升2.0%），各类别Precision分别达96.8％、95.5％、92.1％，Recall分别提升1.5％、2.3％、4.2％，训练收敛更快且分类损失更低，表明MobileNetV1有效压缩冗余特征通道，ACmix弥补轻量骨干语义抽象能力不足、强化微小及重叠目标区分。横向对比显示YOLOv8n-MA在GFLOPs显著低于YOLOv9n～YOLOv12n前提下mAP优于YOLOv5n/YOLOv8n/YOLOv9n/YOLOv10n，与YOLOv12n差距仅0.1％且仅YOLOv12n微弱超越，Recall达94.6％具较强难样本捕捉能力。消融实验证实单独换MobileNetV1骨干可使参数量降至2.0 M、GFLOPs降至3.3 G但mAP降约1.3％；单独加ACmix模块mAP由94.8％升至95.6％；二者结合(YOLOv8n-MA)获最高mAP 96.8％，说明ACmix成功补偿骨干轻量化带来的精度损失并进一步增强复杂工况下检测鲁棒性。文中也指出局限：图像边缘部分被截种子因轮廓不完整可能漏检；负压过高时种子严重重叠垂直堆叠致二维轮廓合并可能被误判为单粒。

4.2. System Detection Accuracy Test Results and Analysis

田间试验表明，≤10 km/h时两模型检测精度均＞91％，YOLOv8n-MA更稳定；12 km/h时原YOLOv8n明显下降而YOLOv8n-MA保持95.02％；15 km/h高速时原模型降至84％而YOLOv8n-MA仍维持92.65％，证明引入MA模块可有效应对运动模糊、粘连遮挡，满足高速在线检测可靠性要求。

4.3. Prospects and Challenges in Research

当前模型部署于车载边缘控制器，近红外相机在封闭携种区内连续采图，轻量模型解算并输出充种性能指标同步至人机界面(HMI)；未来拟构建闭环反馈控制系统——漏播率超阈值时通过比例阀调高负压风机真空度，重播率上升时调低真空度，并进一步研究自适应控制算法改善气动负压场动态响应与时延补偿以实现充种性能实时自优化。

讨论与结论翻译（浓缩自Conclusion部分）：

针对高速气力式排种器充种性能实时检测难题，完成了从理论分析、模型构建到系统验证的全流程研究。(1)所开发的充种性能在线检测与控制系统可实现气力式排种器充种过程动态监测，克服传统方法低效、精度不足及无法实时反馈的痛点，为作业人员及时调整排种器工作参数、优化充种效果提供科学依据，显著提升排种器工作稳定性与播种质量。(2)提出基于改进YOLOv8-MA模型的视觉检测方法，通过引入多尺度注意力模块有效提高了复杂背景下微小种子目标及重叠目标的检测精度与鲁棒性；YOLOv8n-MA的mAP达96.8％，优于YOLOv5n、YOLOv8n、YOLOv9n及YOLOv10n，与YOLOv12n差距控制在0.1％以内，Recall达94.6％，大幅增强对小目标及重叠目标的特征判别能力，降低漏检风险。(3)田间试验验证了系统的实时性与可靠性——播种机作业速度6～12 km/h时改进模型检测精度≥95％，15 km/h时仍保持92.65％，表明引入MA模块可有效解决高速下的运动模糊、种子粘连与遮挡问题，检测精度满足精量播种行业标准，具备直接应用于生产实践的潜力。目前局限在于训练数据集主要来自实验室特定作物（玉米）及固定光照环境，对不同品种（蔬菜、油菜等）、自然光变化及粉尘干扰的泛化能力需进一步验证；实验主要聚焦稳定转速下排种器性能检测，未完全模拟田间拖拉机颠簸振动等极端工况，模型在此类条件下的检测稳定性有待补充验证。