综述：基于改进YOLOv10n模型的复杂环境下棉花识别方法研究

本文提出了一种改进的YOLOv10n模型，通过集成SimAM注意力机制和轻量级C2f-PConv结构，显著提升了复杂农田环境中多类别棉花（Fully/Partially/Defected/Flower）的识别性能，检测精度（mAP@0.5）达94.8%，较基线模型提升1.3个百分点，为棉花机械化采收提供了高效视觉解决方案。

　　

引言

棉花作为中国第二大农作物，其机械化采收面临复杂农田环境下多生长周期目标的精准识别挑战。传统人工采收效率低下，而现有目标检测模型在光照变化、目标遮挡和样本不平衡等场景中表现欠佳。针对这些问题，研究团队基于YOLOv10n架构进行双重优化：引入无参SimAM注意力机制强化关键特征聚焦能力，采用部分卷积（PConv）替代标准卷积构建轻量级C2f-PConv模块，显著降低计算冗余。

实验数据与方法

数据集采集自新疆沙雅县棉田，包含2,118张覆盖不同生长周期、光照条件和遮挡程度的图像，标注为四类：完全开放棉铃（Fully）、部分开放棉铃（Partially）、缺陷棉铃（Defected）和花期（Flower）。为解决样本比例失衡（14.85:1.25:1:1.92），采用逆向权重分配策略进行训练补偿。

模型创新设计

SimAM模块通过能量函数动态计算三维注意力权重，其核心公式为：
e_t(*) = 4(σ?²+λ)/[(t-?)²+2σ?²+2λ]
该机制无需额外参数即可实现通道-空间协同注意力。C2f-PConv模块将PConv参与率设为1/4，使FLOPs降至常规卷积的1/16，内存访问成本减少75%。测试表明，该结构在保持94.5% mAP@0.5的同时，参数量减少14.9%。

性能验证

对比实验中，改进模型全面超越主流架构：

• 相较Faster R-CNN和SSD，mAP@0.5分别提升12.5和22.5个百分点
• 在"Defected"类别识别准确率（AP）达93.4%，较基线提高1.3个百分点
• 计算效率优势显著：FLOPs（2.8G）仅为Faster R-CNN的1.4%

应用展示

田间测试显示，模型对重叠棉铃（如图11所示）的识别置信度稳定在0.85以上，但对极端光照下的密集目标仍存在约5%的误检率。值得注意的是，SimAM模块使"Flower"类别的召回率提升至94.7%，有效支持采收机械的视觉导航。

结论与展望

该研究通过神经架构搜索与轻量化设计，实现了准确率（94%）与效率（1.45M参数）的平衡。未来工作将聚焦于三维点云融合算法开发，以解决当前模型对空间重叠目标的识别局限。实验数据已开源，为农业AI领域提供重要基准参考。