基于卷积神经网络（CNN）的圆形棉模包膜损伤检测：一种减少塑料污染与提升经济效益的创新方案

本文综述探讨了利用卷积神经网络（CNN）检测圆形棉模塑料包膜损伤的技术路径及其应用价值。研究通过对比两阶段（Faster R-CNN）、单阶段（YOLOv8）及Transformer（RT-DETR）等算法，开发出轻量化高精度的YOLOv8-wd模型，实现92% mAP的损伤识别准确率，显著提升检测效率并降低棉农因塑料污染导致的经济损失（$0.88/kg折扣风险），为农业自动化污染防控提供关键技术支持。

　　

Overall concept

本研究的核心理念是利用棉花模块图像训练包膜损伤检测算法，并通过优化性能最佳算法的架构开发出鲁棒性强的定制化模型。该定制算法拟部署于升级版监控系统（最初由Wang等人于2022年开发），用于检测由装载机和模块卡车处理的包膜损伤模块。

Model training

不同包膜损伤检测模型的训练结果如表1所示。YOLOv8系列（尤其是“l”变体）表现出卓越的精确度（95.30%至98.20%），显著优于Faster R-CNN变体（61.10%至68.60%）。YOLOv8l在保持高精度的同时，展现出最优的综合性能，为后续优化奠定基础。

Conclusions

本研究证实了新开发模型（YOLOv8-wd）在检测圆形棉模塑料包膜损伤方面的可行性。该模型识别损伤区域的准确率高达92% mAP，表明其是可靠且有效的工具，有助于减少棉农经济损失并保障棉花产品质量。模型平均识别出装载机处理模块中4.72%及卡车处理模块中3.92%的损伤率（实际发生率可能更高），同时为每个模块提供清晰状态标识（损伤/无损伤）及唯一ID，为污染源头追踪与干预提供数据支撑。