《Agronomy》：Advances in Technologies and Equipment for Potato Seed-Metering Quality Detection and Reseeding
编辑推荐：
快速准确地检测漏播和重播并及时纠正是维持马铃薯种植质量的需求。目前已开发出光电法、激光法、电容法和机器视觉法等缺陷检测方法，并采用备用排种通道、追赶补偿、原位释放、预备种带和电动补种装置进行纠正。然而，稳定的田间应用仍然有限。已有研究成果通常涵盖检测精度、模型
快速准确地检测漏播和重播并及时纠正是维持马铃薯种植质量的需求。目前已开发出光电法、激光法、电容法和机器视觉法等缺陷检测方法，并采用备用排种通道、追赶补偿、原位释放、预备种带和电动补种装置进行纠正。然而，稳定的田间应用仍然有限。已有研究成果通常涵盖检测精度、模型性能或单一动作成功率，但从缺陷检测经补种到结果验证的端到端验证并不一致。通过对国际和中国数据库的结构化检索及引文筛选，本综述整合了截至2026年6月1日发表的88篇文献。该综述比较了主要检测方法的原理、报告性能和工作条件，并在更广泛的农艺背景下考虑了种植质量控制与补种。光电传感器和电容式传感器通常能产生清晰的信号事件且处理简单。机器视觉能提供更详细的类别和位置信息，但对光照、遮挡、振动和计算延迟更为敏感。分析表明，高检测精度并不能确保可靠的田间纠正。性能还取决于传感器位置、时空匹配、补种方法、执行器响应及事后检查。未来研究应采用更广泛的指标集，在不同条件下进行更长时间的田间测试，并改进检测、控制、执行和验证的协调性。这些比较可为马铃薯排种检测与补种系统的传感器选型、纠正系统设计和田间评估方案提供参考。
以下是基于论文主体部分的专业性总结：
2. 材料与方法
2.1 综述设计与范围 本结构化范围综述遵循PRISMA 2020适用要素，旨在回答三个问题：用于检测马铃薯排种故障的传感原理；检测事件如何关联至决策、执行、补种与验证；以及报告性能所依据的种料、作业速度和试验条件。由于纳入研究在播种机类型、种料、观测位置、速度量纲、试验设置和结果定义上存在差异，综合采用定性方式。
2.2 信息来源与检索策略 对Web of Science核心合集、IEEE Xplore、中国知网（CNKI）、OpenAlex和Semantic Scholar进行了检索。通过ScienceDirect及MDPI、PLOS和Frontiers等期刊平台补充检索记录。同时筛选了相关综述和原始研究的参考文献列表及引文。
2.3 资格标准与研究选择 合格记录涉及马铃薯排种机构、供种与单粒化、漏播或重播检测、种薯损伤、纠正或动作验证。排除关于马铃薯病害、生理处理、分级、收获、作物遥感或产量预测且无直接关联的研究。最终纳入88篇出版物。
2.4 数据提取与比较综合 记录了每篇出版物的发表年份、研究区域与类型、马铃薯材料、排种机构、传感原理、传感器位置等信息。根据各来源报告的试验设置和操作条件进行比较研究。由于试验设置、种料、速度量纲和指标定义不同，结果进行定性综合，未进行汇总估计或速度度量之间的转换。
3. 排种质量、评价指标与技术路径
3.1 排种质量 排种质量问题分为三类：漏播指目标排种周期内未释放有效单种种薯；重播指同一周期释放两个及以上种薯；种薯损伤包括夹持、撞击或切面组织损伤。漏播和重播可根据勺匙占用或种薯通过情况判断。评估损伤通常需要力测量、图像、损伤分类或出苗数据。传感器位置决定了可观测的缺陷类型、可用的纠正时间以及能否检查后续释放。
3.2 农艺相关性及综述范围 漏播会降低实际植株密度，而重播会增加植株间局部竞争。缺陷率仅在明确说明计数水平、缺陷模式、种料和试验设置时才有意义。本综述考察播种机是否执行其预设的排种序列，以及纠正动作是否产生有效的单粒种薯释放。
3.3 评价指标 定义了漏播率、合格率、重播率和不确定率等指标。闭环系统还应报告检测召回率、假阳性率、端到端延迟、纠正触发率、实际释放率、有效纠正率和残余缺陷率。模型平均精度均值（mAP）、执行器成功率和已验证释放描述的是不同阶段，应分别报告。
3.4 三种技术路径 将研究按主要干预措施和信息类型分为三组。路径A为排种单元优化，通过勺匙设计、气吸、振动和种层管理改善供种与单粒化。路径B利用霍尔、光电、激光或电容信号，识别故障并触发备用通道、离合器、局部速度变化或释放机构。路径C利用图像检测、跟踪、增强或边缘处理，分类排种状态并将观测与事件关联。三者互补，但尚无研究在持续的马铃薯田间试验中共同评估农艺目标设定、原因导向调整、事件级纠正和独立的事后验证。
4. 排种质量检测技术
4.1 光电与激光检测 光电检测利用种薯阻挡或反射光束产生的脉冲，响应快、成本低。早期设备常分别检测勺匙位置和种薯存在。激光传感器可布置多组以提高覆盖。灰尘、土壤、环境光、种薯重叠和对准不良会影响脉冲宽度和幅度。微波传感在实验室研究中针对单粒种子准确率超过99%，但尚未在马铃薯上进行测试。
4.2 电容检测与空间电容传感 当种薯进入电场时，介电特性变化引起电容或频率响应。电容传感器不依赖可见光，受灰尘影响较小。可通过最大净电容变化来分类漏播、单粒和重播。温度和湿度修正模型可用于提高准确性。电容检测可同时提供事件和位置参考，但在田间条件下水分、污染、种块体积和安装间隙的综合效应尚未量化。
4.3 机器视觉检测 相机通常安装在取种或单粒化区域上方，以便尽早检测空勺和多重占用。视觉任务包括目标检测、状态分类和多目标跟踪。需将同一勺匙或种薯跨帧关联，并为每个周期生成一个事件。研究表明，改进的YOLO系列模型可提升检测精度，但跟踪精度会随机器速度增加而下降。将图像帧转换为控制事件通常涉及图像采集、目标检测、时序匹配、状态判定和事件输出。不确定事件不应强制归入其他类别。
4.4 检测技术比较与多传感器融合 光电、激光和电容传感器能提供清晰的定时信号。机器视觉可识别空勺、单/多种薯及其位置和局部堵塞，但易受光照、振动、遮挡和边缘设备算力限制的影响。
5. 排种缺陷纠正技术与装备
5.1 位置-时间匹配与可用时间窗口 纠正的可行性取决于从传感点到执行点的固定行程距离、平均传输速度以及总系统延迟。名义时间余量必须为正数，且需为速度和部件延迟的变化留出额外裕度。连续漏播事件对时间和种源供应有更严格的要求。
5.2 漏播补种 包括备用排种通道、追赶补偿、原位释放和预备种带等方法。备用通道结构简单，但依赖备用种子的就绪状态和可靠通过导槽。追赶补偿通过临时提高排种链速度使后续载种种勺填补空缺，但高速切换增加了种勺脱落风险。原位释放机制缩短了替换种薯的行程和飞行时间，但存储容量有限。预备种带在主排种装置外储存一排可选种薯，可能更好地应对连续漏播，但需防止种行出现缺口、刮板损伤和堵塞。
5.3 重播的清除与补种 纠正重播比补种更难。预防性方法是改进上游排种稳定性。对于主动清除，可使用空间电容检测结合空气喷嘴吹除多余种薯。当视觉或多通道传感器能可靠识别多个种薯时，也可采用机械刷、导轨分离或改变运动路径等方式。重播纠正测试应报告多重拾取检测精度、多余种薯清除率、单粒保留率、误除率、种薯损伤及重复动作能力。
5.4 排种与纠正过程中的种薯损伤 种薯损伤可能在拾取、夹持、单粒化、输送、释放、多余种薯清除或机器人抓取过程中发生。未来研究应报告各损伤级别的块茎数量或质量、损伤指数计算方法、产生损伤的动作以及后续出苗情况。
6. 系统集成与实践评估
6.1 控制策略与系统集成 控制器应在选择响应前区分孤立故障和重复故障。事件级补种适用于孤立漏播。重复故障应触发速度匹配、种源供应、气流或单粒化状态、堵塞和备用种状态的检查及参数调整。技术选择应考虑所需观测、时间裕度、工作条件、集成负担和验证方法。行动后应通过独立的信号或处理路径检查结果。
6.2 从台架试验到田间应用 许多装置在恒定速度、单一品种、清洁背景和人为制造缺陷下取得了高检测或补种率。田间作业还包括速度变化、振动、种箱填充水平变化、部件沾土和长期磨损。试验设计应定义速度、连续缺陷次数、种薯尺寸和质量、光照、污染、坡度和连续作业时间的运行范围。
7. 主要局限与未来研究
7.1 开放数据集 现有视觉数据集与特定样机、视角和种薯批次相关，缺乏通用跨系统基准。有用的多模态数据集应包括原始视频、编码器序列和传感器信号，并记录品种、切割方法、尺寸和质量、速度、振动、光照和污染程度。
7.2 传感器融合 当不同模态提供互补观测时，传感器融合是有用的。当结果冲突时，控制器应避免不可逆动作，直到获得另一个观测。
7.3 变量施肥种植、预测控制与执行器反馈 基于地图的位点特异性种植调整农艺目标速率，不同于事后纠正漏播事件。电动驱动的主要价值在于可测量和控制速度、相位和动作完成状态。在测量执行器延迟、种薯行进时间和速度响应后，基于模型的触发时机可取代固定延迟。
7.4 机器人技术的展望 尚无纳入研究验证马铃薯种植过程中的机器人补种。机器人系统仍需在可用纠正窗口内选择、抓取、转移和释放一个种薯而不造成损伤。机器人补种应被视为一个研究方向，直至在马铃薯种植期间验证完整的动作循环和释放后结果。
8. 结论 马铃薯排种质量控制应作为连接观测、事件关联、纠正动作和结果验证的端到端过程进行评估。有效纠正依赖于时机、确认的种源供应、执行器响应和事后验证。系统性能受传感延迟、机器速度变化、连续缺陷、种薯差异、执行器响应和释放后运动的影响。未来研究应采用通用的缺陷定义和端到端指标，在新工作条件下测试多模态模型，并通过执行器位置反馈和独立的种薯通过信号验证动作。
