甜菜種子在全球糖產業中占據重要地位，其包衣質量直接影響發芽率、作物抗逆性及農業生產效益。然而，傳統種子包衣缺陷檢測依賴人工觀察，效率低且易受主觀因素影響，難以滿足現代農業規�；�生產需求。隨著全球種子包衣市場從 2023 年的 20 億美元預計增長至 2028 年的 31 億美元（CAGR 8.5%），開發高效精準的自動化檢測技術成為行業迫切需求。在此背景下，土耳其安卡拉大學農業學院與土耳其糖廠公司糖研究所的研究人員開展了基于深度學習的甜菜種子包衣缺陷檢測研究，相關成果發表于《Scientific Reports》。

研究團隊以甜菜種子包衣缺陷分類為目標，采用 YOLO（You Only Look Once）系列算法構建檢測模型。首先，通過頂部開放式拍攝箱在 1150 lx 恒定日光條件下，獲取 2000 顆包衣甜菜種子的高分辨率（3000×4000 像素）RGB 圖像，建立包含正常、破損、星形和粘附四種包衣類型的原始數據庫。隨后，利用 YOLOv10-N（納米版）、YOLOv10-L（大型版）和 YOLOv10-X（超大型版）模型進行訓練與驗證，采用 80% 訓練集和 20% 驗證集的劃分策略。

研究采用的關鍵技術包括：①高分辨率圖像采集系統，確保種子包衣細節的精準捕捉；②YOLOv10 算法框架，其通過雙標簽分配策略（結合一對一和一對多匹配）優化訓練過程，無需非極大值抑制（NMS）即可實現高效推理；③數據增強技術，對種子圖像進行 90 度旋轉以覆蓋 360 度視角，提升模型對不同方位缺陷的識別能力。

檢測模型性能評估
通過對比不同模型的準確率與推理時間，發現 YOLOv10-X 模型在檢測精度上表現最優，正常包衣檢測準確率為 93%，破損包衣 94%，星形包衣 94%，粘附包衣 95%。而 YOLOv10-N 模型推理速度最快，正常包衣檢測耗時 11.5 ms，破損包衣 11.7 ms，星形包衣 11.4 ms，粘附包衣 11.9 ms。研究還通過混淆矩陣、精確率 - 召回率曲線等指標驗證了模型的魯棒性，結果表明 YOLOv10 系列模型在甜菜種子包衣缺陷分類中具有較高的可靠性。

包衣缺陷的影響與機制分析
研究指出，包衣破損可能導致保護性藥劑流失、播種時粉塵增加及氣吸式播種機堵塞；星形包衣因尖端結構易斷裂，可能引發播種不均勻；粘附包衣則可能造成單粒種子成本增加。通過圖像分析與深度學習結合，可實時識別上述缺陷，避免不合格種子流入市場，減少農業生產損失。

與現有技術的對比與創新
相較于傳統基于質譜（Mass spectrometry）或低分辨率 RGB 圖像的檢測方法，本研究采用的 YOLOv10 算法在檢測維度（新增星形、粘附缺陷類別）和準確率上顯著提升。例如，張等人（Zhang et al.）基于 YOLOv5s 檢測紅三葉草包衣種子的最高準確率為 98.43%，而本研究中 YOLOv10-X 對甜菜種子粘附包衣的檢測準確率達 95%，展現了算法對不同作物種子的適應性。此外，研究構建的 2000 顆種子原始數據庫，通過高分辨率圖像和多視角旋轉增強，為模型訓練提供了豐富樣本，克服了公共數據庫分辨率低、樣本單一的缺陷。

結論與意義
該研究首次將 YOLOv10 算法應用于甜菜種子包衣缺陷檢測，實現了對四種典型缺陷的精準分類，為種子加工環節的質量控制提供了高效的自動化解決方案。通過圖像識別技術與深度學習的結合，可有效彌補傳統人工檢測的不足，降低生產成本，提升農業可持續性。未來研究可進一步探索不同光照條件、種子品種對算法性能的影響，并拓展至其他作物種子的包衣檢測，推動智能農業技術的廣泛應用。研究結果不僅為甜菜種子產業提供了技術支撐，也為深度學習在農業領域的跨作物應用奠定了基礎。