农业机械学报

作者：刘祥，项若雪，班成龙，田敏，谭明天，黄凯文

单位：石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,石河子大学;农业农村部西北农业装备重点实验室,

关键词：棉铃检测;产量预测;YOLO v8;特征融合;无人机遥感

基金：新一代人工智能国家科技重大专项（2022ZD0115803）、国家重点研发计划项目(2022YFD2002400)和兵团科技攻关计划项目(2023AB014)

单株总铃数是棉花重要的表型性状之一，也是种植者估算棉花产量的重要参考因素。因此，从真实复杂的棉田图像中高效准确地识别棉花，对于确保棉花产业生产的经济效益和增强农业管理至关重要。然而，许多现有的卷积神经网络在棉花识别方面优先考虑准确性，缺乏了对识别效率的关注。因此，以脱叶期新疆密植棉花为对象，提出了一种改进的轻量化YOLO（IML-YOLO）棉铃快速识别模型。IML-YOLO模型结合了轻量化卷积特征提取和YOLO模型实时快速识别的优势，构建了一种全新的RepGhostCSPELAN轻量化模块，同时为了降低由轻量化带来的模型识别精度下降的问题，结合CAHSFPN特征融合提高对不同尺度棉铃的识别精度，还提出了一种Focaler-MPDIoU损失函数，有效提高了模型的识别精度。通过消融试验和可解释性分析证实了这些设计的有效性和显著性。与基准YOLO v8n模型相比，IML-YOLO模型在浮点运算次数、模型内存占用量和参数量方面分别显著降低了32.1%、47.5%和50%，同时平均精确度提升了10.1个百分点。将IML-YOLO模型应用于棉花产量预测，平均相对误差为7.22%。该模型为棉铃检测算法与产量预测提供了新途径，为棉花智能化管理提供了技术支持。

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