烟草是我国重要的经济作物,烟草行业的发展,促进国家财政收入,促进相关工业的发展,有利于提高烟农的收入,是利国利民的重要经济产业。从烟苗开始,对烟草种植的整个过程进行严格把关,方能收获高产量、品质好的烟叶。根据烟草的生长发育规律,从苗床期到大田期之间,需要经历还苗期,这是烟草从移栽到最终成活的关键时期,也是生长环境从温室大棚到复杂的大田环境的过渡期。烟苗井窖式移栽技术为烟株的大田移栽过程中创造良好的生长环境,促进烟苗根系的发育,有效缩短还苗期,使烟苗的茁壮成长,有利于提高烤烟的产质量。目前,烟苗井窖式移栽过程的投苗环节,主要依靠人工作业,机械化程度低。烟苗井窖位置的检测是实现机械化投苗的关键,本文针对烟苗井窖位置检测开展研究。本文通过制作烟苗井窖图像数据集作为目标检测算法模型的基础数据,结合烟苗井窖数据图像特征,分析目标检测任务的卷积神经网络模型,选定以YOLO模型为井窖目标检测算法程序的核心算法,结合迁移学习理论及反向传播算法、批规范化处理的方法在训练模型的过程中优化模型。对模型关键参数IOU Pred Truth和Con(object),以及网络输入端的图像大小优化,进行正交试验,并在添加负样本的测试集当中检验模型性能。通过对摄像头的标定,实现成像过程当中像素平面坐标系、像平面坐标系、摄像头坐标系和世界坐标系之间的转换,对烟苗井窖位置检测模型进行田间试验,记录预测误差。本文采用过采样和数据增广相结合的方法,将图像数据集的样本总数从原始采集的500个,增加到1320个;烟苗井窖图像数据集的样本当中,光照强及光照弱的图像样本得到平衡,整个数据集对于光照的强弱显得不敏感,以该图像数据为训练集的模型,更适用于自然环境中的烟苗井窖图像位置检测。分析卷积神经网络的各结构层的基本原理及作用,并对比目前基于卷积神经网络的目标检测算法,确定以烟苗井窖位置检测的基础模型。基于迁移学习理论,在大型图像数据库预训练所得的权值函数用于模型的初始化,并以本文所制作的烟苗井窖图像数据集作为训练数据,结合反向传播算法,更新权值函数;采用批规范化处理的方法有利于高效地对模型进行训练优化;训练后的模型,优化关键参数,达到召回率为80%。田间试验表明,烟苗井窖位置检测的平均预测误差为29.3mm,能够满足烟苗井窖位置检测要求。