基于机器视觉与网络RTK的马铃薯播种漏播检测与补播系统设计与集成

《Agriculture》:Machine Vision and Network RTK-Based Miss-Seeding Detection and Compensation System for Potato Planting: Design and Integration

【字体: 大 中 小 】 时间:2026年10月22日 来源:Agriculture 4.5

编辑推荐:

  为了解决现有马铃薯漏播检测方法易受灰尘和振动干扰、缺乏全过程信息管理以及补播响应滞后等问题,研究人员开发并验证了一种基于机器视觉和网络实时动态差分(RTK)的电动马铃薯播种机漏播检测与补播系统。该系统集成了工业相机、网络RTK流动站和STM32微控制器。一个轻

  
为了解决现有马铃薯漏播检测方法易受灰尘和振动干扰、缺乏全过程信息管理以及补播响应滞后等问题,研究人员开发并验证了一种基于机器视觉和网络实时动态差分(RTK)的电动马铃薯播种机漏播检测与补播系统。该系统集成了工业相机、网络RTK流动站和STM32微控制器。一个轻量级视觉模型能够实现高效的种子勺识别。漏播事件被实时绑定至高精度RTK坐标,并通过经验GCJ-02偏移转换和地图引擎实现空间分布可视化。采用脉冲宽度调制(PWM)技术动态调整排种带电机转速,以实现快速补偿。台架试验和田间试验表明,漏播检测率仅在车间标定、光照良好且无种子特异性测试中超过90%;在正常田间播种条件下约为83%–85%,在植物遮荫且相机未标定情况下下降至约64%。补播成功率在0.3 m/s速度下约为87%。该系统实现了全链路闭环控制,并为马铃薯智能播种提供了一种技术方案。本研究应被视为概念验证,而非可直接投入田间的商用解决方案。
马铃薯是全球第四大粮食作物,种植阶段的播种效率与质量直接影响最终产量。勺链式和勺带式播种机是马铃薯种植中应用最广泛的机具,其排种装置采用交叉式取种输送机构,通过辅助振动机确保每勺一粒种子。尽管农业传感与自动化技术发展迅速,智能农业的检测、定位与控制系统尚未形成大规模产业群,马铃薯播种机智能监测研究多处于试验阶段。现有基于电容、霍尔效应、光电传感器的漏播检测与补偿技术虽对提高播种效率和质量有重要意义,但仍易受田间灰尘、强烈振动等因素干扰;同时研究多集中于排种器监测、补播装置优化和单体播种精度控制,对播种全过程信息管理的系统性研究不足,播种质量监测、实时数据传输、远程管理与补播功能的集成有待完善。因此,亟需从单点技术突破转向全过程信息集成与智能决策。针对上述问题,研究人员提出了一种基于轻量级机器视觉模型的漏播检测方法,将检测结果与网络RTK高精度地理定位技术结合,将每个漏播事件映射到田间实际位置并生成播种质量空间分布图,为精准补播路径规划和可视化播种质量评估提供数据支持,并设计了以STM32微控制器为控制核心的电机加速补偿补播方法,开展了台架与田间试验验证。研究基于电动驱动马铃薯播种机平台,构建了由工业相机、网络RTK流动站和STM32微控制器组成的漏播检测与补播系统,实现了“视觉检测—空间定位—动态补播—数据上报”的全链路闭环控制。台架与田间试验表明,漏播检测率在车间标定、光照良好条件下超过90%,在正常田间条件下约为83%–85%,但在植物遮荫且相机未标定时降至约64%;补播成功率在0.3 m/s作业速度下达约87%。研究验证了系统技术可行性,为马铃薯智能化播种提供了技术方案,但应视为概念验证而非田间商用解决方案。

关键方法包括:工业相机固定于排种链上升端正上方,基于YOLO11n改进的轻量级视觉模型GD-FuseNet(引入轻量下采样模块GDBlock、上下文锚定注意力CAA和跨尺度特征融合CFF)进行漏播识别;图像采集于青岛洪珠农业机械有限公司试验田(2025年9月),共753张,按7:1:2划分训练/验证/测试集,仅对训练集进行数据增强;网络RTK流动站(WTGRTK-960RC)解析NMEA-0183 GGA语句,经WGS-84到GCJ-02经验偏移转换后由Leaflet地图引擎显示作业轨迹和漏播点;STM32F103C8T6通过TIM2定时器输出1 kHz PWM信号调节排种链电机转速实现快速补播;采用车间台架和田间试验,设置不同光照条件、相机标定状态和排种链线速度(0.3、0.5 m/s),每组理论播种200粒,每条件进行3组共600粒,数据合并分析,由于光照条件无法精确重现,未进行统计显著性检验。

研究结果如下。3.1 机器视觉模型性能测试(Machine Vision Model Performance Test):通过消融实验,研究人员对比了YOLO11n与改进模型GD-FuseNet的精度、召回率、每秒处理帧数(FPS)、平均精度均值(mAP)和参数量。结果表明:GDBlock对减少参数、浮点运算量和模型大小贡献最大;CAA通过增强空间上下文建模显著提升了召回率和mAP@0.5;CFF以适中的计算开销改善了跨尺度特征融合和检测精度。三者组合使模型参数量从290.4万降至150.7万,浮点运算量从7.6 GFLOPs降至5.0 GFLOPs,模型大小仅3.3 MB,精度、召回率和mAP@0.5分别达到99.1%、97.1%和99.4%,实现了检测精度与轻量化部署的良好平衡。该结论通过训练和消融实验得出。3.2 台架试验和田间试验(Bench Test and Field Test):在车间标定、光照良好且无种子特异性测试中,漏播检测率超过90%,即使排种链线速度达0.5 m/s也高于常规作业速度;在户外田间且相机焦距和光圈标定后,检测率受光照不稳和整机振动影响有所下降;当播种机从正常光照环境进入植物遮荫环境、相机光圈和焦距无法实时调节时,检测率急剧下降至约64%。将排种链线速度从0.5 m/s降至0.3 m/s可略微改善检测性能,表明光照条件是机器视觉漏播检测的关键因素。补播系统在每次检测到漏播时触发补播动作,0.3 m/s时补播成功率约87%,0.5 m/s时降至约79%,原因是链速升高导致取种勺充种时间减少,漏播率增加,连续漏播概率增大,而基于电机加速的补播逻辑无法补偿连续漏播中的第一个漏播勺。系统运行过程中CPU利用率为19%–20%,GPU利用率为35%–36%,说明轻量级模型和集成系统具有充足的计算余量满足田间实时作业需求。

讨论部分将所提视觉方法与传统电容式、霍尔式、光电式方法进行了比较,指出视觉方法原则上对灰尘和振动不敏感,但更易受光照、遮挡和相机标定影响;电容法对照明鲁棒但受土壤湿度、薯块大小和电导率影响,霍尔法需要磁体或铁磁组件且易受振动和安装间隙影响,光电法成本低但易受灰尘污染。此外,所提方法还提供了空间地理参考、地图可视化和云上报功能,这是大多数传感系统不具备的。试验设计上,由于光照条件无法在重复作业中精确重现,未进行正式统计显著性分析,报告的条件间差异应视为描述性结果。研究结论可翻译为:(1)研究人员自设计的GD-FuseNet机器视觉模型能高效识别漏播状态,通过轻量下采样、注意力机制和跨尺度特征融合,模型参数量从290.4万降至150.7万,浮点运算量从7.6 GFLOPs降至5.0 GFLOPs,模型大小仅3.3 MB,精度、召回率和mAP@0.5分别达99.1%、97.1%和99.4%,实现了检测精度与轻量化部署的平衡;(2)网络RTK定位模块通过解析NMEA-0183 GGA语句获取实时定位数据,经WGS-84到GCJ-02经验偏移转换将漏播事件与地理坐标绑定,基于Leaflet地图引擎实现作业轨迹和漏播点可视化,为播种质量空间评估和数字化管理提供了数据基础;(3)基于STM32的PWM补播控制利用TIM2定时器输出1 kHz PWM信号驱动排种链电机,实现亚秒级加速补播,0.3 m/s时补播成功率达87%,0.5 m/s时降至79%,连续漏播场景下的补偿能力仍需提升;(4)多线程软件架构使视频检测、定位解析、TCP通信和补播控制并行运行,实现了“检测—定位—补偿—上报”全流程自动化,验证了将机器视觉、卫星定位和机电控制集成于播种设备的技术可行性。综合讨论与结论,该研究构建了“检测—定位—补播—上报”的闭环系统,将传统人工漏播检查转变为实时自动处理,通过厘米级空间绑定和可视化使播种质量量化和空间化,轻量级模型和嵌入式控制方案降低了智能装备部署门槛。但存在端到端延迟未测定、RTK定位精度未定量评估、仅在有限晴天条件和单一田块测试、照明和标定是主要瓶颈等局限性,因此整体属于概念验证,后续需在定位误差定量评估、高速率RTK输出、多环境长期测试等方面开展研究。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号