基于改进YOLOv10n与热成像的群养猪体温监测深度学习模型研究

为解决复杂农田环境下多类别棉花识别难题，研究人员通过集成SimAM注意力机制和C2f-PConv轻量化结构对YOLOv10n模型进行优化，实现94.8%的mAP@0.5检测精度，较基线模型提升1.3个百分点，为棉花机械化采收提供精准视觉识别方案。

　　

在新疆棉花产业占据全国85%种植面积的背景下，传统人工采收方式面临劳动力成本高、多成熟期棉花识别困难等挑战。尽管已有空气吸力式、水平摘锭式等采收机械的研发，但针对小棉田和多成熟期棉花的精准识别技术仍属空白。复杂的农田环境因素如光照变化、枝叶遮挡，以及棉花同时存在"全开铃"、"部分开铃"、"缺陷铃"和"花期"四种生长状态的特征，使得现有目标检测模型难以满足机械化采收的实时性与准确性需求。

中国农业科学院的研究团队在《Smart Agricultural Technology》发表的研究中，构建了包含2000张多周期棉花图像的标注数据集，通过改进YOLOv10n模型架构，创新性地将无参数SimAM注意力机制与基于部分卷积(PConv)的轻量化C2f模块相结合。研究采用能量函数驱动的三维注意力权重计算和通道选择性卷积策略，在保持模型实时性的同时显著提升特征提取能力。关键技术包括：1) 基于Shaya County棉田采集的2118张多角度图像构建四类标注数据集；2) 采用SimAM模块通过解析能量函数最小值实现特征增强；3) 用PConv替换标准卷积，仅对1/4通道进行空间特征计算。

研究结果显示：在模型架构优化方面，引入SimAM模块使mAP@0.5提升至94.2%，其中易漏检的"缺陷铃"类别识别精度提高2.4个百分点。轻量化设计中，C2f-PConv模块将计算量降至2.6G FLOPs的同时，反使检测精度提高1.0个百分点。最终融合模型在测试集上达到94%的精确度和89.7%召回率，对重叠目标的识别准确率保持在85%以上。

这项研究的突破性在于：首次将神经科学启发的注意力机制与农业场景特异性轻量化设计相结合，相比Faster R-CNN模型仅需1.4%的计算资源即实现更优性能。模型通过逆向设置类别权重（样本量越少权重越高），有效缓解了数据集中14.85:1的类别不平衡问题。尽管在极端重叠场景下仍存在约15%的误检率，但该成果为开发适应复杂农田环境的棉花采收机器人视觉系统奠定了算法基础，对推动我国棉花产业机械化进程具有重要实践价值。