大豆是我国重要的油料作物,机械化收获是大豆绿色高效生产的重要环节。大豆具有结荚低、易破碎的农艺特点,机具参数设置不当易造成高破碎率和含杂率。目前,大豆机械化收获过程破碎、含杂情况实时检测手段缺乏,驾驶员了解收获质量时需要停机,依靠肉眼判断,不能及时发现收获过程存在的问题,造成收获质量参差不齐,影响经济效益。本文对机械化收获过程大豆破碎率和含杂率实时监测方法进行研究,运用机器视觉和深度学习技术实时监测大豆破碎率和含杂率,研制了机收大豆破碎率、含杂率在线检测装置,提出了基于改进Deep Lab V3+和结合注意力的U-Net深度学习网络的大豆成分图像分割识别算法,建立了基于图像信息的含杂率和破碎率量化模型,实现了机械化收获大豆破碎率和含杂率的在线监测,为驾驶员和联合收获机参数智能化调控提供数据支撑。本文主要研究内容及得到的结论如下:1)研究基于机器视觉的机收大豆破碎率、含杂率在线检测方法。分析大豆联合收获机作业时破碎籽粒、杂质产生的主要原因。根据现有的破碎率、含杂率人工检测方法,提出基于图像信息的机械化收获大豆破碎率、含杂率检测方法。利用Open CV统计样本图像中杂质和大豆籽粒的像素面积,建立大豆籽粒质量与像素面积耦合关系,拟合出一元线性回归计算模型,回归分析结果显示相关系数R~2=0.8777;建立了杂质质量与像素面积数量关系,拟合出一元线性回归计算模型,其回归分析结果显示相关系数R~2=0.9002。结合人工检测破碎率、含杂率计算方法,制定了基于图像信息的破碎率、含杂率计算方法。2)研制了大豆机械化收获破碎率、含杂率在线检测装置。该装置由工控机、谷物采集装置、工控机、工业相机、LED光源、舵机等部分组成。谷物采集装置安装于大豆联合收获机出粮口下方,采集落入谷物采样槽中的大豆,工控机通过工业相机进行一次大豆图像采集并进行图像处理、识别和显示,下位机则控制电动机动作,实现机械化收获过程大豆样本图像动态采样。3)提出了基于改进Deep Lab V3+和改进U-Net深度学习网络的大豆成分图像分割识别算法。利用Labelme软件对采集的大豆样本图像成分（完整籽粒、破碎籽粒、杂质）进行手工标注,建立深度学习算法训练所需的数据集;设计了改进的Deep Lab V3+和改进的U-Net网络结构,搭建深度学习训练环境,离线完成模型的训练、测试与验证,获取最优的深度学习模型。试验结果表明:基于改进Deep Lab V3+模型完整籽粒精确率为95.34%、召回率为90.45%、综合评价指标F1为92.81%,破碎籽粒精确率为83.89%、召回率为86.48%、综合评价指标F1为84.67%,杂质精确率为97.82%、召回率为77.32%、综合评价指标F1为86.19%;基于改进的U-Net模型完整籽粒精确率为93.34%、召回率为96.96%、综合评价指标F1为94.87%,破碎籽粒精确率为97.23%、召回率为88.35%、综合评价指标F1为92.50%,杂质精确率为94.65%、召回率为90.61%、综合评价指标F1为92.37%;与改进的Depp Lab V3+网络模型相比,基于改进的U-Net网络预测图像明显分割效果更好,漏分割、误分割区域少,完整籽粒综合评价指标F1平均提高2.06%、破碎籽粒综合评价指标F1平均提高7.83%和杂质综合评价指标F1平均提高6.18%。因此,本文采用基于改进U-Net网络作为破碎率、含杂率在线检测装置图像处理部分的检测算法。4)试验验证大豆机械化收获破碎率、含杂率在线检测装置的性能。室内台架试验结果表明:装置单次检测的平均时间为12s,含杂率检测最大值为1.91%,最小值为0.15%,均值为0.78%;破碎率最大值为5.33%,最小值为1.51%,均值为3.17%;与人工检测相比,大豆破碎率含杂率检测装置检测破碎率均值误差为0.13%,含杂率均值误差为0.25%。田间试验结果表明:大豆破碎率含杂率检测装置工作正常,实现大豆样本动态在线检测;大豆破碎率含杂率检测装置含杂率检测最大值为1.49%,最小值为0.21%,均值为0.76%;破碎率最大值为7.42%,最小值为1.51%,均值为3.60%;与人工检测破碎率误差均值为0.17%,含杂率误差均值为0.1%。因此,本文研制的机收大豆在线破碎率含杂率检测方法能够顺利完成联合收获机作业时收获质量的在线检测。