农业机械学报

作者：韩科立，王振坤，余永峰，刘淑平，韩树杰，郝付平

单位：中国农业机械化科学研究院集团有限公司;现代农装科技股份有限公司,中国农业机械化科学研究院集团有限公司;现代农装科技股份有限公司,中国农业机械化科学研究院集团有限公司;现代农装科技股份有限公司,现代农装科技股份有限公司;农业装备技术全国重点实验室,现代农装科技股份有限公司;农业装备技术全国重点实验室,现代农装科技股份有限公司;农业装备技术全国重点实验室,

关键词：采棉机;障碍物检测;深度相机;YOLO 11n模型;目标识别

基金：国家重点研发计划项目(2022YFD2002402)和中国机械工业集团有限公司重大科技专项（ZDZX2022-1）

针对棉花田间复杂环境障碍物被遮挡致准确检测难、边缘设备算力有限的问题，本文提出一种基于改进YOLO 11n模型的田间障碍物检测方法。首先，采用轻量级网络StarNet作为主要特征提取网络，并引入DBA模块(Dynamic position bias attention block)重构C2PSA(Convolutional block with parallel spatial attention)，以增强多尺度特征之间的交互能力；其次，使用KAGNConv(Kolmogorov-Arnold generalized network convolution)替换基线模型C3k2(Cross stage partial with kernel size 2)模块中的瓶颈结构，实现对精细特征提取的同时，给予模型更高灵活性和可解释性；最后，集成分离与增强注意力模块(Separated and enhancement attention module, SEAM)至检测头，增强模型在遮挡场景中的检测能力。试验结果表明，改进模型YOLO 11n-SKS与基线模型相比精确率、召回率、mAP50、mAP50-95分别提升2.3、2.1、1.3、1.4个百分点，达到91.7%、88.3%、91.9%、62.3%，模型浮点数运算量仅为4.4×109FLOPs，模型参数量减少17.1%。本研究模型在性能和计算复杂度之间实现了较好的平衡，满足棉田收获作业场景中实时检测需求，降低了部署边缘设备算力要求，为采棉机自主安全作业提供技术支撑。

来源：2025年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第5期