La identificación automática de defectos en plántulas es una tecnología importante de una máquina inteligente de trasplante automático, que mejora efectivamente la calidad de funcionamiento de la máquina de trasplante. La segmentación precisa del sustrato de la plántula y la región de la plántula es clave para el éxito del algoritmo de reconocimiento de defectos en plántulas. Este documento propone el algoritmo maxIOU para calcular el umbral de segmentación de la imagen: Se seleccionó el canal G de la imagen y el espacio de color verde excesivo como el espacio de color para la segmentación de la región del sustrato y la región de la plántula mediante el análisis del histograma de color. Varias imágenes fueron seleccionadas al azar del conjunto de datos para generar un conjunto de entrenamiento y se etiquetaron manualmente como la verdad fundamental. Las imágenes del conjunto de entrenamiento se segmentaron utilizando un umbral de cero a 255, y se calcularon la intersección sobre la unión (IOU) utilizando el resultado segmentado del algoritmo y la verdad fundamental. El umbral correspondiente al máximo IOU promedio se utilizó como umbral de segmentación. Después de la segmentación de la imagen, se obtuvieron tres características (área del sustrato, área de la plántula y relación de llenado de la parte inferior del sustrato) mediante el algoritmo, y se identificó la imagen para determinar si había una cinta transportadora vacía, deficiencia de plántulas, múltiples plántulas, sesgo y sustrato dañado. El algoritmo se probó en la plataforma de pruebas del trasplantador automático. Los resultados del experimento fueron los siguientes: En primer lugar, se calculó el umbral de segmentación de la imagen mediante el método maxIOU. El intervalo de componentes de color correspondiente a la región del sustrato segmentada fue [0, 24] en el canal G, y el intervalo de componentes de color correspondiente a la región de la plántula segmentada fue [21, 255] en el canal verde excesivo. El IOU promedio del área del sustrato fue 0.854, y el IOU promedio del área de la plántula fue 0.820 en el experimento de verificación. En segundo lugar, se identificó un conjunto de datos que incluía 431 imágenes de plántulas normales y 69 imágenes de plántulas defectuosas (cinta transportadora vacía, deficiencia de plántulas, múltiples plántulas, sesgo y sustrato dañado) para defectos. La precisión, precisión y recuperación fueron del 97.6%, 97.4% y 99.8%. El tiempo de procesamiento fue de 71.4 ms. La conclusión del experimento fue la siguiente: el algoritmo maxIOU tuvo una alta precisión en la segmentación del sustrato y la región de la plántula. El algoritmo de identificación de defectos tuvo una alta precisión para la identificación de defectos en plántulas de repollo, y el algoritmo tuvo un buen rendimiento en tiempo real, que puede aplicarse a trasplantadores de campo de alta velocidad.