Die Reinheit der Samen ist ein entscheidender Faktor für die Ernte und das Einkommen der Landwirte, und die schnelle und präzise Sortenerkennungstechnologie ist der Kern zur Gewährleistung der Samenreinheit. Diese Studie schlägt eine zerstörungsfreie Erkennungsmethode für Maissamen basierend auf der Fusion von LED-Weißlicht-Bildgebung und dem YOLOv8-Modell vor. Experimente bestätigen, dass diese Methode schnell, effizient, hochpräzise und zerstörungsfrei ist. Durch den Aufbau eines optimierten LED-Weißlicht-Reflexionsbildgebungssystems wurden Bilder von insgesamt 12.008 Samen von 4 Maissorten erfasst und annotiert. Vergleichende Experimente zeigen, dass die Kerndaten des YOLOv8m-Modells dem leichtgewichtigen YOLOv8s deutlich überlegen sind und effektiv das Problem der unzureichenden Erkennungsgenauigkeit morphologisch ähnlicher Sorten lösen. Das Modell erreicht für die vier Sorten eine durchschnittliche Präzision (AP), eine Rückrufrate (Recall, R) und einen F1-Score von jeweils 99,8 % sowie einen mAP@0.5-Wert von 99,4 %. Im Echtzeit-Test beträgt die Verarbeitungszeit für ein Bild mit YOLOv8m 68,6 ms, was die Anforderungen an ein Samen-Sortiersystem mit niedriger Latenz erfüllt. Die Studie zeigt zudem den Einfluss der Datensatzgröße auf die Modellleistung und bestätigt die hervorragende Stabilität von YOLOv8m bei unterschiedlichen Datensatzgrößen. Diese Studie bietet eine präzise und praktische technische Lösung im Bereich der Sortenerkennung von Samen.

Maissaat;Sortenerkennung;Deep Learning;YOLOv8