插秧机田间作业质量检测系统设计与试验

杨浩勇 朱伟 刘德营 王兴盛

0 引言

江苏是农业大省，常年水稻种植面积在220万hm2左右[1]，机插秧水平超过70%。水稻插秧机的作业质量直接影响水稻产量和种植效益。传统人工检测方法是由工作人员选取秧苗样本，观察其形态，统计漏插率、漂秧率和伤秧率，对插秧机的作业质量进行评价。但该方法存在工作环境差、检测效率低、信息分享困难、结果分析滞后、对稻田具有一定的破坏性等问题，已经跟不上时代发展需求[2-3]。本文设计开发了一套插秧机田间作业质量检测系统，通过对无人机采集到的稻田秧苗图像进行形态识别，统计漏插率、漂秧率和伤秧率，实现对插秧机作业质量快速准确评价。

1 秧苗图像采集试验

1.1 试验准备

1）划定待拍区域。插秧结束后，在稻田中插入旗杆，划定待拍区域。通常来说，待拍区域要避开田间地头，长度超过40 m，宽度不低于4 个作业幅宽。

2）无人机起飞前检查。 在精灵4RTK 无人机起飞前，检查飞行器电池、遥控器电池及移动智能设备的电量是否满足起飞要求，螺旋桨叶是否安装牢固，内存卡剩余空间是否充足，云台和相机是否能正常自启。

3）观测无人机起飞环境条件。观察飞行区域周围是否有大树、高压线，挑选平整、干净、无杂物的起飞位置，选择晴朗、无风的天气飞行。

4）无人机参数设置。试验时以无人机自动飞行为主，手动控制为辅。通过精确规划航线，设定合理参数，让无人机执行规定飞行任务。航线规划通过IQOO Neo3 安卓设备上的DJI Polit App 完成。航线规划选择按航点飞行，自动起飞和定点降落，飞行相对高度为3 m，速度为1 m/s，间隔3 m 添加航点，并设置航点拍照动作。在遥控器端登录RTK-CORS 网络账号，连接无人机后提高其在田间定位精度。按照当天光照强度适当调整镜头参数，包括滤镜种类、光圈大小和曝光补偿等。无人机执行飞行任务期间，云台保持垂直向下90°。待飞行任务结束后，无人机自动返航，单次飞行时间5 min 左右，重复飞行2～3 次。

1.2 航拍图片处理

无人机所拍图像存储在SD 卡内，用数据线将开机状态的无人机与笔记本连接，以完成数据传输，或者用读卡器将卡内秧苗图像传至电脑端。图1 为航拍图像。由图1 可看出：稻田内杂物较少，土地平整，秧苗排列整齐有序，间隔规律，插穴内绝大多数存在秧苗。由于株距和行距不同，一张完整的航拍图像，秧苗穴数在150～200 穴之间波动。秧苗图像采集试验结果显示，4RTK 无人机拍照效果良好，稻苗成像符合预期。

图1 无人机采集稻田秧苗图像

1.3 作业质量表征

影响插秧机田间作业质量的因素较多，依据中华人民共和国国家标准GB/T 6243-2017《水稻插秧机试验方法》、农业机械推广鉴定大纲DG/T 008-2019《水稻插秧机》，并结合实际经验，常采用漏插率、漂秧率和伤秧率三个指标来反映插秧机作业质量的好坏。漂秧、伤秧、漏插、合格秧苗定义如下：

漂秧：在插穴内，秧根未栽入泥土内而漂浮于稻田水面的秧苗。

伤秧：在插穴内，秧苗茎部有折伤、切断等现象的秧苗。

漏插：在插穴内无水稻秧苗的情况，属于漏插。

合格秧苗：在插穴内，未发生漂浮、折伤、切断等现象的秧苗属于合格秧苗。

2 软件系统设计

2.1 系统框架

考虑到水稻插秧机作业质量检测系统的主要作用是实现插秧质量评价（即对插秧机的漏插率、漂秧率、伤秧率三个指标的检测），结合检测流程，建立图2 所示的软件系统设计框架。该系统包括5 个模块，分别是：图像导入模块、图像显示模块、网络加载模块、软件信息模块和数据输出模块。

图2 软件系统设计框架

在图像导入模块中自动选中水稻秧苗图像，在显示模块中查看图像，经确认无误后，按照图像名称依序处理，保存每张图像中秧苗行数、穴数、质心、相邻秧苗间距、漏插穴数等数据。加载网络模型来逐一识别秧苗形态，其间，可通过软件信息模块实时查看数据和软件运行情况。在数据输出模块中，将统计数据保存、打包。

2.2 功能设计

水稻插秧机作业质量检测系统主要由登录页面、主页面、副页面组成。在检测系统登录页面输入账号及密码，点击“登录”按钮，即可跳转至系统主页面。如图3 所示。主页面上方设置“打开”“菜单”两个按钮。点击“打开”按钮，弹出“文件”“文件夹”。如果是单一图片，选择“文件”即可，如果是多张图片，则选择“文件夹”。正常情况下，无人机执行一次飞行任务得到的航拍图像都在20 张以上，所以，一般选择“文件夹”。

图3 软件系统主页面

点击主页面旁边的按钮“副页面1”，可以发现，文件夹内图片已经全部显示在图片列表中，表明文件夹导入成功。此时，点击“菜单”，出现“神经网络”按钮，“神经网络”是本软件系统的核心部分，是提前制作好的秧苗形态模型。点击此按钮，弹出提示“选择要打开的文件”，选择提前制作好的神经网络模型Riceseedlingsnet.mat 文件。此时，再点击本页面“处理1”按钮，弹出提示“正在处理图像……”，如图4 所示。

图4 软件系统图像处理

图像处理完成后，从“副页面1”返回主页面，此时漏插率、漂秧率、伤秧率已经计算出结果，对插秧机作业质量实现评价，如图5 所示。接下来补充相关的插秧机、无人机等信息。

图5 软件系统数据输出

3 田间试验

2021 年6 月25 日，项目组成员携带精灵4RTK无人机和水稻插秧机作业质量检测系统前往丹阳市京口区章村开展田间试验。本次试验用水稻插秧机为江苏沃得高新农业装备有限公司样机，型号为2ZGF-6E，产品规格如表1 所示。

表1 水稻插秧机产品规格表

当天环境温度27℃，湿度72%。试验稻田长97 m、宽60 m，形状为长方形，土壤质地为黏土。机耕后泡田5 d，田间水深3～5 cm，泥脚深度17～19 cm。秧苗类型为淮稻5 号，人工方式育秧，秧龄20 d。插秧机在专业机手操作下，以1.3 m/s的速度匀速前进，机旁噪声约53.8 dB（A）。

人工对比试验：4 名项目组成员穿戴工作服和雨靴走进稻田，3 人检测1 人记录，对插秧机的作业质量进行人工检测。检测人员在试验测区内随机挑选3 行，每行选取50 穴，将秧苗从插穴中取出，观察并报告秧苗形态，最后计算漏插率、伤秧率和漂秧率。

软件系统测定结果和人工检测结果见表2。软件系统测定结果与传统人工检测结果相比，漏插率、漂秧率和伤秧率误差均在0.5%以内，其中漏插率误差最小，仅为0.13%。本次田间试验，水稻插秧机作业质量检测系统检测将样本量扩大了20 倍，使得数据更具有说服力。

表2 插秧机作业质量软件系统测定与人工检测结果

4 结论

针对目前插秧质量评价方法检测效率低、工作环境差、劳动强度高、信息分享困难等问题，开发了一套插秧机田间作业质量检测系统。田间试验结果表明，该系统操作简单便捷、运行稳定可靠、检测结果准确，能降低劳动强度，提高工作效率。该系统的设计开发，为插秧机作业质量评价提供了新方法。