A pureza das sementes é um fator crucial que determina a colheita e a renda dos agricultores, e a tecnologia de identificação rápida e precisa das variedades é o núcleo para garantir essa pureza. Este estudo propõe um método de detecção não destrutiva de sementes de milho baseado na fusão de imagens de luz branca LED e no modelo YOLOv8, que comprovou experimentalmente as vantagens de rapidez, eficiência, alta precisão e caráter não destrutivo. Por meio da construção de um sistema otimizado de imagem refletiva com luz branca LED, foram coletadas e anotadas imagens de 12.008 sementes de quatro variedades de milho. Experimentos comparativos mostram que os principais indicadores do modelo YOLOv8m superam significativamente o modelo leve YOLOv8s, resolvendo efetivamente o problema da baixa precisão no reconhecimento de variedades morfologicamente semelhantes. O modelo alcançou uma precisão média (AP), recall (Recall, R) e pontuação F1 médias de 99,8% para as quatro variedades, com valor mAP@0.5 de até 99,4%. Nos testes em tempo real, o processamento de uma única imagem pelo YOLOv8m levou 68,6 ms, atendendo aos requisitos de baixa latência do sistema de classificação de sementes. O estudo também revelou as regras do impacto do tamanho do conjunto de dados no desempenho do modelo, confirmando que o YOLOv8m mantém excelente estabilidade em conjuntos de dados de diferentes escalas. Esta pesquisa oferece uma solução técnica precisa e prática no campo do reconhecimento de variedades de sementes.

sementes de milho;reconhecimento de variedades;aprendizado profundo;YOLOv8