作品展示

针对目前玉米籽粒破碎检测响应速度慢、精度差和可靠性差的问题，以及适用于联合收获机上的破碎率检测方法的缺失，本项目基于Yolov4 tiny卷积神经网络设计了一种玉米籽粒破碎率检测传感器，在结构上，该传感器简单便携，能够防止籽粒的重叠堆积，保证籽粒单层化图像采集，具有良好的适用性；在检测方法上，采用Yolov4 tiny卷积神经网络建立检测模型开展算法研究，首先采集大量完整籽粒和破碎籽粒的图像作为样本集进行模型训练，然后通过算法识别籽粒破碎情况并加以分类，最终输出破碎率结果。场地试验结果表明，该传感器在恶劣、复杂的收获环境下的完整籽粒和破碎籽粒检测准确率达到了87%和85%，具备良好的可靠性、稳定性和实时性，满足在玉米联合收获机上应用需求。

（1）设计了一种适用于联合收获机车载的玉米籽粒破碎率检测传感器，该传感器结构简易便携，能够实现单层籽粒图像采集，防止传感器在集粮箱中发生机械堵塞，具有良好的稳定性。 （2）采用轻量级Yolov4 tiny卷积神经网络设计了玉米籽粒破碎率检测算法，具有较好的准确性、实时性和可靠性，利用CAN总线实现与联合收获机数据传输，从而实现各个工作参数智能调节。

玉米是最重要的农产品之一，用作人类食物、动物饲料和工业原料，玉米在收获、脱粒、运输和存储等作业环节中对籽粒完整度要求较高，随着农民和消费者对玉米生产质量要求的不断提高，玉米籽粒破碎率是联合收获机收获质量评价的重要参数之一，玉米籽粒破碎率的大小反应了收获机械性能的好坏。本项目针对玉米籽粒破碎率检测的研究中难以在恶劣、复杂的工况下达到理想效果的问题，采用Yolov4 tiny卷积神经网络对玉米籽粒完整性进行检测，分析比较不同模型的性能，最后，基于检测效果最优的模型，采用图像采集装置、处理器搭建玉米籽粒破碎率检测系统，解决玉米籽粒破碎率快速准确识别分类问题。

本项目旨在推出一款适用于玉米联合收获机车载的便携式籽粒破碎率检测传感器，经过测试，该传感器能够适应复杂、恶劣的田间环境，具有较好的准确性、稳定性和可靠性，获得的籽粒破碎率数据可以通过CAN总线与联合收获机车载控制器实现通讯，用于联合收获机相关工作参数的实施调控，具有极大应用价值，可为企业或农民节约劳动力和生产成本，提高盈利。