|本期目录/Table of Contents|

[1]杜龙龙,朱景建,王荣扬,等.基于深度学习的水稻精量穴播排种系统设计与测试[J].江苏农业科学,2022,50(21):200-207.
　Du Longlong,et al.Design and test of rice precision hill planting and seed metering system based on deep learning[J].Jiangsu Agricultural Sciences,2022,50(21):200-207.
点击复制

基于深度学习的水稻精量穴播排种系统设计与测试(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第50卷
期数:
2022年第21期
页码:
200-207
栏目:
农业工程与信息技术
出版日期:
2022-11-05

文章信息/Info

Title:
Design and test of rice precision hill planting and seed metering system based on deep learning
作者:
杜龙龙1; 朱景建2; 王荣扬2; 陆学斌1; 于斌3
1.湖州职业技术学院，浙江湖州 313000； 2.湖州市机器人系统集成与智能装备重点实验室，浙江湖州 313000；3.哈尔滨理工大学，黑龙江哈尔滨 150000
Author(s):
Du Longlong; et al
关键词:
YOLOv5s; DeepSORT; 水稻; 排种系统; 深度学习
Keywords:
-
分类号:
S223.2+3
DOI:
-
文献标志码:
A
摘要:
针对当前水稻穴播机缺乏实时监测和自主调节机制，无法对播种状态进行实时修正的弊端，为进一步提升穴播机的核心性能指标，提出一种基于深度学习的水稻精量穴播排种系统。采用YOLOv5检测模型在自制水稻种粒数据集上进行特征训练，通过增加检测尺度和优化初始锚框参数增强算法模型对小目标颗粒对象的检测精度，将训练好的水稻种粒检测器与DeepSORT算法连接，实现对水稻种粒的追踪计数。机具控制端将检测模型输出结果与农艺指标进行对比，通过计算种粒数量偏差实时修正振送器送种速率，运用PID控制技术实时对排种状态进行自我调节，最终实现智能排种。研究结果显示，经过优化后的YOLOv5水稻种粒检测器准确率为98.6%，召回率为988%，平均精度为99.1%，相较于原版YOLOv5准确率上升了3.0百分点，召回率提升了3.6百分点，平均精度提升了3.2百分点；本设计水稻排种系统空穴率为1.33%，穴粒合格率为95.6%，符合水稻直播机国家标准，相较于未引入深度学习的样机空穴率下降了2.12百分点，穴粒合格率提升了8.73百分点。结果表明，本设计的水稻穴播排钟系统在检测性能和核心指标上均有提升，可以为传统农机与人工智能结合提供参考借鉴。
Abstract:
-

参考文献/References:

［1］罗锡文，刘涛，蒋恩臣，等. 水稻精量穴直播排种轮的设计与试验［J］. 农业工程学报，2007，23(3)：108-112.
［2］田立权，王金武，唐汉，等. 螺旋槽式水稻穴直播排种器设计与性能试验［J］. 农业机械学报，2016，47(5)：46-52.
［3］张国忠，臧英，罗锡文，等. 水稻气力式排种器导向型搅种装置的设计与试验［J］. 农业工程学报，2013，29(12)：1-8.
［4］邢赫，臧英，王在满，等. 水稻气力式排种器分层充种室设计与试验［J］. 农业工程学报，2015，31(4)：42-48.
［5］赵湛，田春杰，吴亚芳，等. 盘吸式水稻排种器吸种动力学过程模拟及参数优化［J］. 农业工程学报，2018，34(7)：38-44.
［6］张明华，罗锡文，王在满，等. 水稻直播机组合型孔排种器设计与试验［J］. 农业机械学报，2016，47(9)：29-36.
［7］臧英，邢赫，王在满，等. 水稻气力式排种器挡种装置设计与试验［J］. 农业机械学报，2015，46(5)：33-38.
［8］朱德泉，熊玮，蒋锐，等. 2ZGK-6型可调宽窄行高速水稻插秧机设计与试验［J］. 农业工程学报，2016，32(21)：37-45.
［9］荆伟斌，胡海棠，程成，等. 基于深度学习的地面苹果识别与计数［J］. 江苏农业科学，2020，48(5)：210-219.
［10］邱荣洲，赵健，何玉仙，等. 基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法［J］. 昆虫学报，2021，64(12)：1444-1454.
［11］王静，孙紫雲，郭苹，等. 改进YOLOv5的白细胞检测算法［J］. 计算机工程与应用，2022，58(4)：134-142.
［12］钱伍，王国中，李国平. 改进YOLOv5的交通灯实时检测鲁棒算法［J］. 计算机科学与探索，2022，16(1)：231-241.
［13］罗建华，黄俊，白鑫宇. 改进YOLOv3的道路小目标检测方法［J］. 小型微型计算机系统，2022，43(3)：449-455.
［14］李永上，马荣贵，张美月. 改进YOLOv5s+DeepSORT的监控视频车流量统计［J］. 计算机工程与应用，2022，58(5)：271-279.
［15］陈佳倩，金晅宏，王文远，等. 基于YOLOv3和DeepSort的车流量检测［J］. 计量学报，2021，42(6)：718-723.
［16］中华人民共和国农业农村部. 水稻直播机：DG/T 083—2021［S］. 北京：中国标准出版社，2021.

相似文献/References:

[1]周绍发,肖小玲,刘忠意,等.改进的基于YOLOv5s苹果树叶病害检测[J].江苏农业科学,2023,51(13):212.
　Zhou Shaofa,et al.Improved apple leaf disease detection based on YOLOv5s[J].Jiangsu Agricultural Sciences,2023,51(21):212.
[2]杨国亮,王吉祥,聂子玲.基于改进型YOLOv5s的番茄实时识别方法[J].江苏农业科学,2023,51(15):187.
　Yang Guoliang,et al.A real-time tomato recognition method based on improved YOLOv5s[J].Jiangsu Agricultural Sciences,2023,51(21):187.

备注/Memo

备注/Memo:
收稿日期：2022-06-13
基金项目：国家自然科学基金(编号：52105283)；浙江省基础公益研究计划(编号：LGN20E050001)；浙江省湖州市自然科学基金(编号：2021YZ15)。
作者简介：杜龙龙(1989—)，男，浙江湖州人，硕士，讲师，主要从事农业信息化研究。E-mail：386808700@qq.com。
更新日期/Last Update: 2022-11-05