生姜是一种姜科多年生草本植物,现广泛栽培于热带、亚热带和温带地区。中国作为世界上种植面积最大、产量和出口量最多的国家,生姜机械化种植已成为必然趋势。然而,目前生姜机械化种植还需要人工辅助摆放姜种,以满足“姜芽朝向一致”的农艺要求。该研究针对此问题,以采集的姜种图像作为研究对象,基于机器视觉和深度学习方法,实现姜芽和生姜的识别,旨在提高姜芽朝向一致率,为实现生姜自动化精准播种提供技术保障,主要研究内容归纳如下:（1）基于融合局部分类预测结果的姜种图像分割方法。该方法引入传统的简单线性迭代聚类分割算法,提取多尺度的超像素单元;设计数据集分类框架,将提取的超像素单元自动分类为:姜种、生姜、背景;采用数据增强后的超像素单元训练Res Net50分类网络,学习图像的局部特征信息;最后,使用已训练模型对超像素分类,并融合属于同一类别的超像素得到姜种分割图像。试验结果表明:该算法的平均像素精度和平均交并比为96.60%和96.52%,相比于Seg Net网络具有更好的边缘分割效果。（2）基于YOLO v4网络和模型压缩算法的姜芽和生姜的快速准确识别方法。经过YOLO v4网络训练,模型的平均精度均值（mean Average Precision,m AP）和模型大小分别达到99.1%和264.6 MB。为了将模型部署到功能受限的移动设备中,实现生姜自动化播种,提出两种模型压缩方法,具体内容如下:1)提出了基于改进YOLOv4-LITE网络的姜种图像检测方法。该方法使用Mobile Net v2作为骨干网络,以减少网络参数和计算量,并在骨干网络中引入简单而有效的协调注意力机制。此外,还引入深度超参数化卷积以提高姜芽的检测效果和模型收敛速度。试验结果表明:改进后YOLOv4-LITE网络的m AP和模型大小分别达到98.73%和115 MB。2)提出了基于YOLO v4网络的通道和网络层修剪算法。该算法利用残差模块中批归一化层的缩放因子,评估通道和网络层的重要性,然后修剪模型中冗余通道和网络层,实现模型压缩。试验结果表明:剪枝后模型的m AP和模型大小分别达到98.32%和13.7 MB,在保证模型精度的前提下,极大地简化了模型。为了测试模型压缩后的效果,将剪枝后模型部署在边缘计算设备Jetson Nano中,并利用Tensor RT引擎加快模型推理速度,单张图像推理速度可达到50 ms,为移动终端的研发提供了技术基础。（3）为了选取健壮的姜芽和判别其朝向,利用上述网络预测姜芽和生姜的位置后,以姜芽预测框的面积作为姜芽选取标准,对于存在多个姜芽的姜种,仅选取最大的姜芽,随后判断姜芽和生姜的相对位置,实现姜芽朝向的判定。