基于多语义与高频特征融合的棉花生长检测算法MSHF-YOLO：面向精准农业的轻量化解决方案

针对复杂农田环境中棉花生长监测存在的遮挡、低对比度等问题，研究人员提出MSHF-YOLO模型，通过多语义空间-通道注意力（MSCA）、自适应小波下采样（AWD）和高频增强（HB）模块，实现mAP@0.5达86.0%（提升5.5%），模型体积减小12.5%，为精准灌溉提供可靠技术支撑。

　　

棉花作为关乎国计民生的重要经济作物，其生长监测直接关系到水资源利用效率和产量品质。新疆作为中国核心产棉区（2023年产量占全国91%），当前采用的统一灌溉模式难以适应不同地块棉花生长差异，亟需基于生长状态的精准灌溉技术。然而，复杂田间环境中的叶片遮挡、低对比度以及棉株花铃形态相似性等问题，导致现有深度学习检测模型性能受限。传统方法如Viola-Jones、HOG等依赖人工特征，而主流算法如Faster R-CNN、YOLO系列在全局关系捕捉或高频细节保留上存在不足，制约了实际应用效果。

针对这一挑战，中国研究团队在《Digital Signal Processing》发表研究，提出MSHF-YOLO算法。该研究通过三阶段技术创新：在骨干网络嵌入多语义空间-通道注意力（MSCA）模块增强多尺度特征表征；采用DySample几何动态上采样与基于Haar小波的自适应下采样（AWD）保留高频信息；在检测头引入高频增强（HB）模块提升细节敏感度。实验基于自建棉花生长五阶段数据集（花蕾、花朵、青铃、裂铃、成熟棉），验证模型在保持轻量化（体积减少12.5%）的同时，mAP@0.5和mAP@0.75分别达到86.0%和68.2%，显著优于基线模型。

关键技术方法
研究以YOLOv8为基线，骨干网络采用MSCA模块融合3×3/5×5/7×7多尺度卷积与通道注意力；颈部用DySample替代双线性插值，AWD模块通过Haar变换分解低频（LL）与高频（LH/HL/HH）子带；检测头加入HB模块强化边缘响应。数据集包含网络爬取、无人机采集与人工拍摄的田间图像，覆盖不同生长期与光照条件。

研究结果

1. 多语义特征增强：MSCA模块通过并行卷积路径捕获空间多语义信息，结合通道注意力权重分配，使模型在叶片遮挡场景下特征区分度提升23%。
2. 高频信息保留：AWD模块相较传统池化，高频子带信号保留率提高41%，对小目标（如直径<15px的棉蕾）检测召回率提升8.7%。
3. 端到端性能优化：HB模块通过高频特征图与原始特征逐元素相乘，使裂铃期棉纤维边缘检测准确率提升12.4%，误检率降低5.8%。

结论与意义
该研究首次将小波变换与动态采样策略融入YOLO框架，解决了农业场景下高频细节流失与多尺度适应性难题。MSHF-YOLO的轻量化特性（仅27.6MB）使其可部署于田间边缘设备，为棉花生长阶段自动化诊断与变量灌溉决策提供可靠技术支撑。未来研究可扩展至其他高附加值作物的生长表型分析，推动农业视觉检测从“粗粒度识别”向“细粒度感知”演进。