EOL-DQN：基于改进的深度强化学习的马铃薯种薯智能切块决策

《Computers and Electronics in Agriculture》：EOL-DQN: An intelligent cutting decision of potato seed tubers based on improved deep reinforcement learning

　　

• •
  提出了一种高效且合理的基于深度强化学习的智能切块算法。
• •
  创新性地提出了基于农艺学要求的奖励函数。
• •
  EOL-DQN算法在种薯切块任务中优于DQN及其变体。
• •
  验证了深度强化学习能够解决农业切块中保留作物关键组织的难题。

引言

马铃薯是全球第四大主粮作物，具有较强的适应性和对高海拔寒冷及贫瘠土壤的耐受力（Johnson等，2025；Yang等，2017）。马铃薯通过块茎进行营养繁殖，种薯制备作为马铃薯生产的关键初始环节，目前仍主要依赖人工切块（Wu等，2025）。尽管经验丰富的操作能够实现较高的块茎芽眼保留率，但人工切块仍存在劳动强度大、生产效率低和薯块质量不一致等缺陷（Li等，2019）。因此，开发马铃薯种薯智能切块设备对于推动马铃薯产业的可持续发展具有重要意义。

为提高种薯制备效率，相关机构对马铃薯种薯切块机进行了研究，通常分为纯机械切块和带有芽眼识别的智能切块两类。欧美大型马铃薯农场采用较为粗放的经营方式，种薯制备依赖纯机械切块。代表性机型是美国Milestone公司生产的双层84-D种薯切块机，集成了分级、对齐、切块和消毒功能，可处理不同品质等级的种薯（Wang等，2023）。同样，以中国为代表的亚洲国家也针对其特定的马铃薯栽培条件开展了纯机械种薯切块技术研究。例如，Lü等（2020）设计了一种纵横向刀组协同的马铃薯切块装置，利用圆盘刀组配合横向刀实现大种薯的二次切块。Wang等（2020）进一步开发了一种集分级、切块、灭菌和清洗于一体的马铃薯切块机，基于人工农艺学种薯切块工艺。此外，Shan等（2023）设计了一种配备四爪同步夹紧装置的马铃薯切块机，可保留种薯的顶芽优势。值得注意的是，上述纯机械种薯切块机均缺乏芽眼识别能力，容易导致切伤芽眼或产生无芽薯块。统计显示，对于少数芽眼较多的种薯品种，纯机械切块的瞎芽率一般约为10%。然而，对于大多数品种，种薯损失率超过20%，主要原因是纯机械切块采用固定排列的纵横向刀组，刀具无法自动调整姿态以避开芽眼并适应种薯形状，导致切块效果明显劣于人工切块。

中国的马铃薯栽培属于集约化种植，纯机械切块造成的种薯损失是不可接受的。实现基于纯机械切块的智能种薯切块已成为当前马铃薯生产中亟待解决的问题。马铃薯栽培采用种薯切块，可打破块茎休眠，加速出芽和出苗，并减少用种量（Li等，2026）。从农艺学角度看，种薯不同部位的芽眼生理活动差异显著，切取自顶部的薯块在出苗率和产量上明显高于中部和尾部（Wang等，2023）。根据马铃薯播种的农艺标准，每个切块薯块必须保留1至2个健康芽眼，以保证出苗均匀并提高种薯利用效率。目前，切块薯块是马铃薯播种的主要方式，薯块重量直接决定播种质量。过大的薯块导致用种量过多和种植成本增加，而过小的薯块容易萎缩并导致出苗率低（Zhang等，2026）。准确的芽眼检测是智能切块决策的前提，必须满足三个核心目标：保留种薯顶芽优势、实现薯块芽眼均匀分布以及保证薯块重量一致。鉴于上述农艺要求，包括种薯芽眼检测和智能切块控制在内的智能切块技术已成为我国马铃薯产业学者的研究热点（Huang等，2023）。Zhao等（2024）设计了一个基于视觉检测的马铃薯种薯切块实验平台，采用YOLOv8n模型和GrabCut算法处理芽眼和种薯轮廓信息，模拟不同刀具旋转角度下的切块方案，从而确定最优种薯切块策略。Yin等（2023）开发了一种带有芽眼识别装置的马铃薯种薯切块机，利用形态学运算提取马铃薯和芽眼的质心，通过种薯表面两个最大芽眼质心的中点坐标计算刀具旋转角度。Zhang等（2023）设计了一种保留种薯顶芽优势的自动马铃薯切块机，采用优化后的YOLOv7模型提取二次切块后过大薯块的芽眼信息，并基于高置信度相邻芽眼的中心线计算最优切块角度。Huang等（2025）开发了一种自动马铃薯种薯切块机器人，通过POP-YOLOv8模型定位芽眼和种薯姿态，并利用聚类分析和目标函数优化方法生成种薯切块策略。基于芽眼识别，上述切块决策通过整合定位方法（包括种薯形状、中心和芽眼质心），实现了从"盲切"到"保芽切"的飞跃。然而，现有的切块决策大多依赖预设几何规则或静态优化模型，存在适应性差、决策规划简单、多目标优化不足和动态响应能力弱等固有局限。

为应对上述问题，迫切需要一种能够适应复杂薯块形状和芽眼分布、学习人工切块经验并平衡芽眼保留与薯块重量均匀性的智能切块决策策略。深度强化学习凭借其强大的感知和决策能力，使智能体能够在复杂环境中通过大量试错学习最优策略，为马铃薯种薯智能切块提供了一种新方法（Wang等，2024a）。本研究充分考虑马铃薯种薯切块的农艺要求，开发了一个原型智能切块平台，并提出一种基于深度强化学习的DQN智能切块决策以完成种薯初步切块。在此基础上，为解决基于DQN的智能切块决策中存在的芽眼频繁碰撞、多芽薯块切块混乱和合格切块率低等问题，本研究通过多模态特征提取、切块方向优化和奖励函数设计对方法进行了改进，提出了一种在原型智能切块平台上经实验验证的EOL-DQN智能切块决策。

章节摘要

马铃薯种薯切块的农艺学

在种植前切块马铃薯种薯可减少用种量、提高种薯利用效率并降低种植成本。根据种薯切块的农艺要求，重量小于50 g的薯块整块播种，50至100 g的薯块沿主轴纵切为两等份，100至200 g的薯块先纵切再每半份切成两块，200 g及以上的薯块先纵切为两半再继续切

马铃薯种薯数据集的构建

种薯数据集采集自中国山东省滕州市齐翔马铃薯种薯合作社，时间为2025年6月15日至6月27日，采用荷兰系列马铃薯品种。准确的芽眼检测是智能种薯切块的前提，样本质量直接影响芽眼识别算法的准确性。因此，选取保存完好、表面光滑、无虫害且无病斑的种薯样本

讨论

本文设计并验证了一种基于深度强化学习的马铃薯种薯EOL-DQN智能切块决策，可为智能种薯切块平台的刀具控制提供技术支持。该决策集成了三个核心模块：获取种薯多模态特征的视觉感知模块、实现种薯状态到动作值映射的决策网络架构模块以及

结论

本文提出并验证了一种EOL-DQN智能切块决策算法，该算法能够适应复杂的种薯形状和芽眼分布，平衡芽眼保留与薯块重量均匀性，并实现较强的动态响应。所提出的算法提高了种薯利用率并减少了切块过程中的损失。主要结论如下。

• (1)
  通过融合多模态特征并应用基于芽眼检测的EOL-DQN算法，实现了准确、高效和实时的

CRediT作者贡献声明

Xuyang Wang：写作——初稿撰写，方法论，调查研究，数据整理。Yun Liu：验证，调查研究，形式化分析。Tianshuo Su：软件，资源，调查研究。Yulu Sun：资源，方法论。Binheng Huang：调查研究，数据整理。Yangqian Zhang：方法论。Wanzhi Zhang：写作——审阅与编辑，监督指导，资源，资金支持，概念提出。

生成式人工智能及AI辅助技术在写作过程中的声明

在本工作准备过程中，作者仅使用DeepSeek-V3.2和豆包进行语言润色和语法校对。在使用这些工具后，作者已仔细审阅和修改了内容，并对发表文章的内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究得到山东省农业重点推广计划专项基金和山东省重大农业技术协同推广计划（SDNYXTTG-2025-22）的资助。

Xuyang Wang|Yun Liu|Tianshuo Su|Yulu Sun|Binheng Huang|Yangqian Zhang|Wanzhi Zhang