UCIW-YOLO：非结构化农田环境下农业机械多类别高精度障碍物检测模型

针对非结构化农田环境中障碍物检测精度不足、实时性差的问题，研究人员基于YOLOv5s框架，创新性融合MobileNetV4的通用倒置瓶颈（UIB）模块与坐标注意力（CA）机制，构建C3UIB/C3UIBCA模块提升特征提取能力，并提出动态非单调聚焦机制的Inner-WIoU损失函数。该模型在mAP@0.5:0.95达0.845（较基线提升2%），F1-score达0.965，边缘设备实时检测速率10.09 FPS，为农业机械自主避障提供了高精度轻量化解决方案。

　　

在智能农业快速发展的背景下，农业机械的自主作业面临非结构化农田环境的严峻挑战——电杆、土堆、树木等形态各异的障碍物不仅分布随机，还常因作物生长周期产生背景干扰。传统LiDAR方案虽能获取三维点云，却受限于高成本、稀疏数据对小目标的表现力；而现有视觉检测模型如YOLOv5s在复杂农田场景中普遍存在类别覆盖窄（如仅检测电线杆）、季节适应性差等问题。中国农业科学院智能农业装备团队为此构建了涵盖9类障碍物的多季节农田数据集，并提出UCIW-YOLO模型。

研究团队采用三大关键技术：1）架构轻量化改造，通过移植MobileNetV4的UIB模块构建C3UIB结构，结合CA机制增强空间特征感知；2）创新损失函数设计，提出基于动态梯度权重分配的Inner-WIoU，利用辅助边界框加速收敛；3）多维度评估体系，综合mAP@0.5:0.95、FPS及边缘设备部署指标验证实用性。

数据集构建
通过采集不同作物生长周期下的农田图像，建立包含土堆、拖拉机、灌溉设施等9类障碍物的标注数据集，解决了现有模型因数据单一导致的场景泛化能力不足问题。

模型优化
C3UIB模块将参数量降低23.6%，而C3UIBCA模块通过坐标注意力使小目标检测AP提升1.8%。Inner-WIoU损失函数通过动态调整高质量/低质量锚框的梯度贡献，使模型收敛速度提升17%。

性能验证
在RTX 3060平台测试中，UCIW-YOLO以10.09 FPS的实时性能实现mAP@0.5:0.95达0.845，对收割机等大型设备的检测精度达91.2%，显著优于Faster R-CNN（62.3 FPS但mAP仅0.791）等对比模型。

讨论指出，该模型通过UIB-CA协同机制有效平衡了精度与效率，但季节性光照变化仍对灌溉设施等反光物体检测存在干扰。结论强调，这是首个在边缘设备实现多类别农田障碍物实时检测的轻量化方案，为农业机械自主避障系统提供了可直接落地的技术支撑。研究获国家重点研发计划（2021YFD2000503）等资助，成果发表于《Expert Systems with Applications》。