《Computers and Electronics in Agriculture》：Detection method for missing seeding in plug trays for small vegetable seeds based on image registration
编辑推荐：
图像配准与光照补偿结合的育苗盘缺失播种检测方法，在五种播种速度（600-1500 tray/h）下实现平均F1值97.97%，高速仍保持97.47%准确率，优于传统YOLO模型。方法通过前后播种图像精准配准消除角度偏移和光照不均影响，创新性结合图像差异分析有效区分种子与杂质，适用于辣椒、番茄等小形态种子。
赵文琪|王贤良|林晓娜|张向才|纪江涛|程秀培|魏中才|王秀红|刘磊
山东理工大学现代农业装备研究所，中国淄博255000
摘要
蔬菜种子体积小，形态多样。在高速播种条件下，漏播检测受到种子图像模糊、光照不均匀和杂质的影响，导致检测精度低、处理速度慢以及模型泛化能力差。本研究提出了一种基于图像配准的方法，用于检测小型蔬菜种子穴盘中的漏播情况。该方法捕捉同一穴盘播种前后的图像，进行高精度配准以校正角度和位置差异，并应用不均匀光照补偿来减少反射和亮度梯度，从而实现种子的稳定识别和空穴的准确判断。实验使用了辣椒、番茄和萝卜种子，播种速度分别为600、800、1000、1200和1500穴盘/小时。结果显示，在所有播种速度下，检测精度均超过96%，平均F1分数为97.97%。单粒种子、多粒种子和漏播检测的平均F1分数分别为96.57%、87.09%和92.92%。与YOLO11n相比，单粒种子和多粒种子的F1分数分别提高了11.67%和12.70%，平均穴盘检测时间为0.78秒。在高速条件下（1500穴盘/小时），F1分数仍保持在97.47%，但精度下降了约1.3%，F1分数下降了1.2%。该系统在高速和低速条件下均表现出高稳定性。检测性能排序为：辣椒 > 萝卜 > 番茄，F1分数均超过97.50%，显示出对小型不规则种子的强适应性。该方法实现了高速播种条件下的精确、稳定和快速的漏播检测，为智能育苗技术提供了有效解决方案。
引言
目前，中国每年对蔬菜苗的需求约为7.3万亿株，而年产量仅为3.5万亿株。市场缺口巨大，提高穴盘播种的质量对于提升育苗生产效率至关重要（Sun等人，2021年）。然而，由于种子体积小、重量轻和形状多样，播种过程中常出现漏播等问题（Ding等人，2021年；Yan，2023年）。现有的主流气动播种机虽然显著提高了播种效率，但也存在缺陷，例如小型不规则种子容易堵塞和漏播。高速操作会加剧种子碰撞和杂质堆积，进一步增加漏播风险（Ding等人，2024年；Sun等人，2024年）。对于工厂化育苗来说，能够快速准确地检测播种后的穴盘情况，不仅有助于识别和纠正播种缺陷、提高育苗率，还能为后续的自动补种、育苗质量追溯和工艺优化提供可靠的数据支持，从而提升生产效率和经济效益（Ma等人，2024年）。
在解决穴盘苗漏播检测问题方面，国内外学者探索了多种技术，从传统的基于传感器的物理检测到机器视觉和深度学习检测逐渐形成了多种解决方案。Xia等人（2021年）提出了一种适用于球形种子（球度≥85%）的光纤传感器检测系统，但其对不规则种子的检测精度较低，且容易受到杂质干扰。Ma等人（2024年）基于直射光电传感器开发了漏播检测和补种装置，但在高速和不规则种子检测方面表现不佳。为了克服传统光学检测方法的局限性，研究人员逐步引入了机器视觉技术以实现更高效的漏播检测。Bai等人（2021年）、Gao等人（2022年）和Kim等人（2023年）使用机器视觉在600穴盘/小时的播种速度下实现了大种子和颗粒化种子的漏播检测，但这种方法容易受到蛭石和珍珠岩等复杂基质的干扰，导致误报和小型不规则种子的漏检。在此基础上，一些研究将深度学习方法应用于穴盘苗漏播检测，进一步探索了对小型不规则种子的识别性能。Yan等人（2023年）结合YOLOv5x网络模型和二值分割算法引入了SE注意力机制来定义孔洞区域，通过比较番茄种子中心像素与孔洞边界坐标实现了92.84%的检测精度。Kong等人（2025年）改进了轻量级YOLOv8n-SCS模型，实现了800穴盘/小时播种速度下的96.5%检测精度和静态检测下的98.3%精度。Tan等人（2026年）改进了部署在Nvidia Jetson Xavier NX边缘设备上的YOLO11n模型，实现了叶类蔬菜穴盘中单粒种子、重新播种和漏播的检测。深度学习方法依赖于大规模标注数据和高性能计算资源，对不同种子类型的适应性较差，需要反复训练模型。在高速播种条件下，小种子特征容易模糊，难以保持稳定的检测精度。因此，减少识别过程中对种子外观特征的依赖，并准确区分种子和基质中的杂质是解决问题的关键。本研究提出了一种基于播种前后图像比较的检测方法，通过比较播种前后图像的差异有效减轻了复杂背景和特征模糊的影响，实现了种子和杂质的准确区分，尤其是在高速播种条件下的小型种子漏播检测。
该方法比较同一穴盘播种前后的图像，捕捉了种子插入导致的孔洞变化，有效避免了基质杂质和高速播种引起的种子特征模糊等问题。在实际应用中，图像比较容易受到多种因素的影响，如拍摄角度和光照差异（Kong等人，2022年），以及穴盘表面和基质颗粒的反射。这些因素会降低检测结果的稳定性。因此，本研究在检测过程中引入了图像配准技术以实现精确对齐，并采用不均匀光照补偿方法来增强分割效果，提高了检测精度和可靠性，同时消除了反射干扰。
图像配准技术已广泛应用于农业监测。Lin等人（2025年）、Zhou等人（2023年）使用配准技术监测温室草莓的生长和水稻的结实率。Cuan等人（2026年）、Wang等人（2025b）利用图像配准技术整合红外光和可见光图像，准确估计家禽和牲畜的体温。在穴盘苗检测中应用图像配准技术，整合了播种前后两个不同时间点的图像信息，有助于更准确地评估种子播种情况，提高种子检测精度。与基于单一点或单视角的传统检测方法相比，图像配准技术为检测提供了更稳定可靠的分析基础，特别是在复杂背景和种子特征模糊的情况下。
本研究提出了一种基于图像配准的检测方法，通过比较播种前后的图像来评估穴盘播种质量。具体目标包括：（1）开发一种新的基于图像比较的漏播检测方法；（2）构建高精度的图像配准和差异分析工作流程；（3）使用多种种子类型验证系统性能和适应性。
测试装置
本研究中的穴盘蔬菜种子漏播检测是基于一种滚筒式播种机开发的，最大运行速度为1500穴盘/小时，兼容多种穴盘规格。根据操作流程，该机器分为四个功能区：压孔区、播种前图像采集区、播种区和播种后图像采集区，这些区域的相对位置如图所示
ORB特征点数量的优化
基于本研究收集的50对播种前后的穴盘图像，评估了ORB检测器在200–1600个特征点范围内对匹配数量、RANSAC内点质量和处理时间的影响。图12a显示，随着特征点数量的增加，三类匹配点（KNN匹配、比率测试匹配和RANSAC内点）均呈单调递增趋势，尽管增长速率逐渐放缓
结论
根据本研究的结果，可以得出以下结论：
(1)与传统的图像处理和基于深度学习的方法相比，本研究提出的基于播种前后图像配准的漏播检测方法在辣椒、番茄和萝卜种子的单粒种子和漏播检测方面表现出更高的性能。单粒番茄、多粒番茄、单粒辣椒、多粒辣椒的F1分数分别为……
CRediT作者贡献声明
赵文琪：撰写——原始稿件、可视化、验证、软件开发、方法论、调查、数据分析、概念化。王贤良：撰写——审稿与编辑、监督、资源协调、项目管理、资金筹集。林晓娜：撰写——审稿与编辑、监督。张向才：监督、项目管理。纪江涛：验证、资源协调。程秀培：数据分析。魏中才：验证。王秀红：调查。刘磊：
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
