轻量级的YOLOv11n模型，用于高效准确地检测干旱地区棉花田中的残膜

《Contact Lens and Anterior Eye》：Lightweight YOLOv11n model for efficient and accurate residual-film detection in cotton fields of arid regions

　　

杨晓|牛长贺|史吉|连小青|张书丰|王宏彪|王旭丰|胡侃|张海春

塔里木大学机电工程学院，阿拉尔843300，中国

摘要

在干旱地区的棉田中，残留塑料薄膜（RPF）的持续积累，尤其是可见的片状RPF，对可持续棉花生产构成了严峻挑战。基于图像的识别方法为快速监测和精准回收RPF提供了有效途径。然而，复杂的背景、变化的照明条件以及模糊的碎片边缘限制了传统检测方法的准确性和效率。本研究聚焦于干旱地区棉田中的可见片状RPF，构建了在不同光照和土壤背景条件下收集的田间图像数据集，并基于YOLOv11n开发了一个轻量级改进模型。具体而言，使用基于PPLCNet的轻量级主干网络替换了原有的特征提取结构，并在SPPF模块之后插入了CBAM以增强通道空间注意力。此外，改进的SimAM注意力机制增强了噪声抑制和目标聚焦学习。引入了改进的MPDIoU损失函数用于边界框回归，以提高不规则碎片的定位准确性和训练稳定性。实验结果表明，改进模型的精确度、召回率和mAP50分别为97.56%、98.62%和99.38%，相较于原始YOLOv11n分别提高了4.41%、8.14%和3.19%。该模型的参数量仅为2.14 M，浮点运算次数为5.07 GFLOPs，性能优于主流轻量级模型（如YOLOv5n、YOLOv8n和YOLOv10n）。在Jetson Nano上的部署实现了约2.07秒的平均检测响应时间，表明其在农业机械上的低功耗场部署和周期性检测具有潜力。本研究的主要创新之处在于采用了协调的感知-注意力-定位优化策略来检测轻量级RPF，为干旱地区棉田中可见片状RPF的智能监测和机械化回收提供了实用基础。

引言

地膜覆盖技术在中国西北部、中亚等地区被广泛用于棉花种植。由于其低成本以及提高土壤温度和保持水分的能力，地膜显著提升了棉花产量，并被视为干旱农业区的一种简单且经济的农艺措施。然而，使用后的地膜难以完全回收。每年残留的塑料薄膜（RPF）碎片逐渐在土壤表面和耕作层中积累，形成不同的深度分层分布，并在耕作扰动下发生破碎和向下迁移（Briassoulis, 2023; Ding et al., 2022; Xu et al., 2022）。在中国新疆等依赖地膜的棉花种植区，RPF的长期积累改变了土壤的物理化学性质，破坏了耕作层结构，阻碍了根系生长，增加了田间管理成本（Zhai et al., 2022）。现有研究表明，长期覆盖地膜的田地中RPF残余物表现出显著的空间变异性和时间累积模式，这些因素严重影响了棉花的出苗、根系通气和水分利用效率（Chen et al., 2024; Hu et al., 2020; Liu et al., 2024）。因此，准确监测土壤表面和耕作层中的RPF对于量化评估RPF污染、制定修复策略以及推广地膜减少和替代措施至关重要。

传统的RPF监测依赖于人工收集、田间采样和视觉估算，这些方法效率低下、空间覆盖范围有限，无法支持大规模评估。为了解决这些问题，杨等人（2024）开发了一种基于无人机图像的残留薄膜污染监测系统，展示了高分辨率无人机图像在表面RPF识别方面的潜力。邱等人（2022）进一步将无人机图像与深度学习结合，提高了残留薄膜量化的自动化程度。在棉花田中，可见的RPF碎片通常具有与土壤相似的亮度、不规则的轮廓和模糊的边界，并受到光照变化、秸秆干扰、作物残余物和复杂土壤纹理的影响。因此，传统的浅层特征检测方法在这种环境中无法实现稳定的准确性。近年来，基于深度学习的对象检测在农业目标识别方面显示出了明显优势。YOLO（You Only Look Once）系列模型因其检测精度和推理效率之间的平衡而被广泛采用。最近的RPF检测研究通过注意力增强的YOLO模型、边缘特征提取、分割框架和多尺度特征表示策略改善了田间识别性能（Lin et al., 2023; Xiong et al., 2024; Huang and Zhang, 2024; Fang et al., 2025）。除了RPF检测外，基于YOLO的农业检测模型和轻量级网络设计还应用于杂草检测、果实识别和疾病识别，表明紧凑型网络在田间环境中的部署潜力（Olorunshola et al., 2023; Attri et al., 2023; Badgujar et al., 2024; Fan et al., 2024; Gu et al., 2024; Nan et al., 2023; Wadhwa and Malik, 2024）。然而，现有方法在检测精度、模型复杂性和田间部署能力之间仍存在权衡，尤其是在复杂棉花田背景下的可见片状RPF检测中。

除了检测精度和轻量级部署外，还应考虑RPF的形成和分布特性。长期覆盖会导致塑料残余物在表层和地下土壤层中积累，其空间分布受覆盖时间和耕作扰动以及土壤环境条件的影响（Li et al., 2022b）。从农业图像识别的角度来看，轻量级单阶段网络也证明了紧凑特征提取在田间检测任务中的可行性（Wang et al., 2022）。对典型覆盖农田的研究表明，长期使用地膜会导致RPF在土壤剖面中的积累、破碎和再分布，其数量、大小分布和出现特征因土壤层和覆盖年份的不同而异（Li et al., 2022a; Yang et al., 2023）。在长期覆盖的棉花田中，RPF的积累和再分布会影响土壤水分条件和棉花根系分布，表明监测可回收残余物在棉花生产系统中的重要性（He et al., 2018; Lin et al., 2019）。尽管持续覆盖可能会促进RPF的破碎和向下迁移，但田面上仍可观察到相对较大的可见片状碎片，这些碎片是视觉检测和机械回收的重要目标。因此，本研究重点关注干旱地区棉田中的可见片状RPF，而不是微小、严重遮蔽或埋藏的碎片，以提高在实际农田条件下的识别准确性。

总之，当前棉花田中的RPF检测仍面临多个挑战，包括数据集不足、评估侧重于可见片状RPF、在复杂土壤背景和光照变化下的鲁棒性有限，以及难以在保持检测精度的同时实现轻量级田间部署。为了解决这些问题，本研究基于轻量级YOLOv11n框架开发了一个改进的YOLO检测模型，用于干旱地区棉田中可见片状RPF的检测。该方法的创新之处在于采用了协调的感知-注意力-定位优化策略。首先，引入了基于PPLCNet的轻量级主干网络以改进高效的多尺度特征提取，并在SPPF模块之后插入CBAM以增强通道空间特征表示。其次，结合了改进的SimAM注意力机制以加强目标聚焦学习并减少复杂田间条件下的背景干扰。第三，使用了改进的MPDIoU损失函数优化不规则RPF碎片的边界框回归。通过消融实验、与主流轻量级YOLO模型的比较分析以及在Jetson Nano上的部署测试，评估了该方法的检测精度、模型复杂性和田间部署潜力。

章节片段

数据收集

本研究独立收集了位于典型干旱地区（新疆生产建设兵团第一师阿拉尔市）的棉花田表面RPF图像。长期覆盖在干旱棉花种植区会导致RPF在土壤剖面中的积累、破碎和再分布，而田面上仍可观察到较大的可见片状碎片，这些碎片是视觉检测和机械回收的重要目标。

消融实验

为了验证每个改进模块对模型性能的贡献，对棉花田残留塑料薄膜（RPF）检测数据集进行了系统的消融实验。以原始YOLOv11n模型为基准，独立评估了每个改进组件，包括带有CBAM插入的基于PPLCNet的轻量级主干网络、改进的SimAM注意力模块以及改进的MPDIoU边界框回归损失。一个整合了所有组件的完整模型被...

讨论

实验结果表明，本研究提出的轻量级改进YOLOv11n模型在构建的可见片状残留塑料薄膜（RPF）数据集上的检测性能优于基准YOLOv11n。基于PPLCNet的轻量级主干网络的引入减少了参数量和浮点运算次数，而在SPPF模块之后插入的CBAM模块有助于增强通道-空间特征表示。这些修改可能提高了模型的...

结论

本研究解决了在干旱地区棉花田中检测可见片状残留塑料薄膜（RPF）的挑战，包括复杂的土壤背景、不规则的碎片形状以及轻量级模型有限的检测性能。通过优化主干网络、注意力机制和边界框回归损失，开发了一个基于改进YOLOv11n的轻量级RPF检测模型。具体而言，使用了带有CBAM插入的基于PPLCNet的轻量级主干网络。

CRediT作者贡献声明

杨晓：撰写——原始草案、可视化、形式分析、数据整理。牛长贺：撰写——原始草案、可视化、形式分析、数据整理。史吉：撰写——审稿与编辑、监督、方法论。连小青：软件开发、形式分析。张书丰：形式分析、概念化。王宏彪：监督、资源管理、项目筹款。王旭丰：监督、资源管理、项目筹款。胡侃：

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。

致谢

我们衷心感谢新疆维吾尔自治区关键研发计划（2022B02022-5）、阿拉尔市第一师的科学技术计划（2022XX06）以及塔里木大学的研究生科学研究与创新计划（TDGRI2024075）的财政支持。