基于视觉识别的穴盘缺种气动精准补播智能系统的制作方法

本发明涉及视觉识别及补播领域，具体涉及基于视觉识别的穴盘缺种气动精准补播智能系统。

背景技术：

1、精量播种技术是现代设施农业的核心环节，其通过在播种滚筒上设置与穴盘孔位一一对应的吸附孔，利用负压将种子吸附于滚筒表面，随滚筒转动将种子播入穴盘各孔位中。然而，由于种子尺寸不均、吸附孔堵塞、负压波动等因素，实际作业中不可避免出现漏播（吸附孔未吸种）现象，导致穴盘部分孔位缺苗，直接影响育苗效率和后续移栽作业的均一性。

2、针对上述漏播问题，现有技术中已提出多种基于机器视觉的漏播检测及补播方案。例如，采用工业相机对播种滚筒吸附区域拍照，通过图像处理判断各吸附孔是否存在种子，并对缺种孔位对应的穴盘位置进行标记或补种。然而，现有方案在实际应用中仍存在以下技术缺陷：

3、其一，现有方案通常采用连续速度测量结合实时计算的方式确定拍照时刻与补播时刻，但由于传送带速度波动、工控机计算延迟及通信传输耗时等因素，图像采集时刻与吸附孔位实际到达相机视场中心的时刻之间易产生偏差，导致图像中吸附孔位的空间位置与识别结果无法准确对应。

4、其二，视觉系统检测到的吸附孔位坐标需转换至物理空间以驱动补播执行机构，现有技术通常依赖相机标定和坐标变换算法建立映射关系。该类算法对安装精度要求严苛，且需在系统运行前进行繁琐的标定操作；一旦设备发生振动或位移，需重新标定，维护成本高，不利于大规模农业生产的现场部署。

5、其三，穴盘苗株尤其是茄果类幼苗，其茎叶细长、形态不规则，且在吸附孔位上的姿态各异，属于典型的微小目标检测场景。现有技术中，部分方案采用形态学或手工轮廓特征进行有无苗判别，对光照变化、灰尘干扰敏感，误检率和漏检率较高；另一些方案直接移植通用目标检测模型，如yolov5、faster-r-cnn等，但模型参数量大、推理速度慢，难以在工控机cpu平台上实现实时处理，且通用模型默认的大尺寸输入如640×640，对细长苗株图像存在大量无效填充，影响特征提取效率。

6、综上，现有精量播种漏播检测及补播系统在时序同步精度、坐标映射简便性、模型实时性与检测精度的平衡等方面仍有一些不足，亟需一种能够实现高速、高精度、低复杂度部署的智能化补播解决方案。

技术实现思路

1、本发明的目的在于提供基于视觉识别的穴盘缺种气动精准补播智能系统，解决以上至少一个技术问题。

2、本发明的目的可以通过以下技术方案实现：

3、基于视觉识别的穴盘缺种气动精准补播智能系统，包括：

4、图像采集模块，用于对播种滚筒上的各吸附孔位进行实时图像采集，获取原始图像数据；

5、图像处理模块，用于基于深度学习目标检测模型对所述原始图像数据中的各吸附孔位进行有无种子的分类识别，输出与各吸附孔位一一对应的二值化识别结果数组；

6、控制模块，用于接收所述二值化识别结果数组并生成补播控制指令；

7、气动补播执行模块，包括与各吸附孔位一一对应的多组独立可控的气动补播单元，各所述气动补播单元分别响应于所述补播控制指令中对应的子指令，针对缺种吸附孔位所对应的穴盘孔位执行补播动作；

8、所述图像采集模块在由多个离散速度挡位分别对应的预存拍照时序参数所确定的触发时刻执行图像采集，所述触发时刻相对于穴盘孔位到达图像采集模块视场中心的时刻具有提前量，且不同速度挡位对应不同的拍照时序参数。

9、进一步的方案，所述深度学习目标检测模型为轻量化yolov8n模型，yolov8n模型采用三段式网络结构，具体包括：

10、backbone骨干网络，基于cspdarknet改进结构，包含c2f模块和sppf快速空间金字塔池化层，用于对输入图像依次进行8倍、16倍和32倍的下采样，对应输出p3、p4、p5三层不同尺度的特征图；

11、neck多尺度融合网络，采用pan-fpn双向特征金字塔结构，且所述pan-fpn结构中全部采用c2f模块完成深浅层特征的融合交互；

12、decoupled解耦检测头，采用无anchor-free的锚框自由设计，将分类分支与坐标回归分支完全分离，分别独立预测类别置信度与边界框坐标分布；

13、所述yolov8n模型的输入图像尺寸为预设小尺寸，所述预设小尺寸小于通用目标检测模型的常规输入尺寸，且所述yolov8n模型开启rect矩形训练策略，以适配穴盘苗株的非正方形细长图像特征，减少图像填充带来的无效计算和特征干扰。

14、进一步的方案，所述图像处理模块还用于在将所述原始图像数据输入所述yolov8n模型之前，采用canny边缘检测算法对所述原始图像数据进行边缘特征提取，生成边缘特征图；

15、所述边缘特征图与所述原始图像数据共同输入所述yolov8n模型参与识别；

16、其中，所述yolov8n模型的识别结果作为决策主体，所述canny边缘检测算法的输出作为辅助参考特征。

17、进一步的方案，所述深度学习目标检测模型对无苗吸附孔位的识别依据为：

18、当吸附孔位未吸附种子时，该吸附孔位呈现为规则圆形轮廓；当吸附孔位吸附有种子时，该吸附孔位呈现为不规则形状轮廓。

19、进一步的方案，所述图像采集模块与所述气动补播执行模块沿传送带输送方向依次布置，所述图像采集模块的相机坐标系、穴盘的各穴盘孔位的物理坐标以及所述气动补播执行模块的气缸坐标之间通过等间隔的物理结构设计实现坐标对齐，所述气动补播执行模块的各气动补播单元与播种滚筒的各吸附孔位、穴盘的各穴盘孔位之间在物理位置上呈一一对应的等间隔映射关系，无需软件层面的坐标映射变换。

20、进一步的方案，所述控制模块包括工控机和嵌入式控制板；

21、所述工控机与所述图像采集模块通信连接，用于接收所述原始图像数据并运行所述图像处理模块；

22、所述嵌入式控制板与所述工控机通信连接，用于接收所述二值化识别结果数组并生成所述补播控制指令；

23、所述嵌入式控制板还与所述气动补播执行模块的各气动补播单元的控制端电性连接，用于将所述补播控制指令下发至各所述气动补播单元。

24、进一步的方案，所述工控机还用于：

25、根据传送带的当前运行速度匹配对应的拍照时序，按照所述拍照时序控制所述图像采集模块进行图像采集；

26、所述图像采集模块采用工业相机，通过软触发方式响应所述工控机的拍照指令进行图像采集，并将采集到的bgr格式图像数据上传至所述工控机。

27、进一步的方案，所述图像处理模块运行所述深度学习目标检测模型的识别过程包括：

28、将所述原始图像数据经裁剪后输入所述深度学习目标检测模型进行前向推理，所述深度学习目标检测模型输出各吸附孔位的类别预测结果，所述类别预测结果包括有苗类别和无苗类别；

29、将各吸附孔位的类别预测结果转换为所述二值化识别结果数组并返回存储，以供后续补播调用。

30、进一步的方案，所述图像处理模块对识别结果为失败的吸附孔位生成识别失败标识，所述工控机根据所述识别失败标识中止针对该吸附孔位的补播指令的生成与下发，以执行漏种不补策略；

31、当所述工控机与所述嵌入式控制板之间发生通信超时或所述气动补播执行模块发生气缸卡滞时，放弃当前穴盘孔位所对应的未完成补播任务，并复位进入下一穴盘孔位的补播控制流程。

32、进一步的方案，系统还包括光源环境控制模块，所述光源环境控制模块用于维持图像采集环境的光照恒定，所述图像采集模块在预设恒温条件和预设恒光照条件下对播种滚筒上的各吸附孔位进行图像采集。

33、进一步的方案，所述yolov8n模型的损失函数为：

34、loss(total)=λ(box)×loss(ciou)+λ(cls)×loss(bce)+λ(dfl)×loss(dfl)；

35、其中，loss(ciou)为ciou框回归损失，用于约束预测框与真实框的重叠面积、中心距离和宽高比；loss(bce)为二元交叉熵分类损失，用于多类别苗株识别；loss(dfl)为分布焦点损失，用于预测坐标离散区间概率分布以提升微小目标的定位精度，λ(box)、λ(cls)、λ(dfl)分别为对应各项损失函数的预设权重系数。

36、本发明的有益效果：

37、（1）本发明通过设置速度检测模块实时获取传送带运行速度，工控机将连续速度值离散化为预设的多个速度挡位区间，并根据匹配到的当前速度挡位直接调用预存的拍照时序参数，控制图像采集模块在相对于穴盘孔位到达相机视场中心时刻具有提前量的触发时刻执行拍照；通过速度离散化、预存时序参数查表的同步机制，降低连续速度测量和实时计算带来的累积误差与通信延迟，保证在传送带速度波动工况下，图像采集时刻始终与吸附孔位实际到达相机视场中心的时刻保持精确对应。同时，拍照时序参数随速度挡位变化而切换，在系统调速时无需重新标定或在线计算，大幅提升系统的动态响应能力和工程适用性。

38、（2）本发明采用物理对齐替代算法标的核心构思，将图像采集模块与气动补播执行模块沿传送带方向依次布置，并令气动补播执行模块的各气动补播单元、播种滚筒的各吸附孔位、穴盘的各穴盘孔位之间在物理位置上呈一一对应的等间隔映射关系；从而减少传统方案中相机标定、坐标变换及像素-物理空间转换的复杂流程，系统安装后无需进行繁琐的坐标标定操作，设备振动或位置微调后亦无需重新标定，可降低现场部署难度和长期维护成本，尤其适用于农业现场振动、粉尘等恶劣环境。

39、（3）本发明以yolov8n轻量化模型作为决策主体，通过将输入图像尺寸限制为预设小尺寸并开启rect矩形训练策略，有效适配穴盘苗株非正方形细长图像特征，减少无效填充计算；同时采用canny边缘检测算法提取边缘特征图，与原始图像数据共同输入yolov8n模型参与识别，利用无苗吸附孔位因气嘴物理结构而呈现规则圆形、有苗时呈现不规则形状这一固有物理先验，增强模型对微小苗株的特征感知能力。

40、（4）本发明针对识别失败、通信超时、气缸卡滞等异常工况分别设置了差异化的处理逻辑：对于识别失败的吸附孔位生成失败标识并中止补播指令下发，执行漏种不补策略，减少因错误补种造成相邻合格孔位损伤；对于通信超时或气缸卡滞，则放弃当前未完成补播任务并复位进入下一补播周期，确保单点故障不影响整体系统连续运行。