计算机工程

作者：刘杰, 黄晓辉, 郭敬博

单位：新疆大学计算机科学与技术学院, 新疆 乌鲁木齐 830017

关键词：目标检测,多尺度卷积,特征融合,模型剪枝,知识蒸馏

基金：科技部科技创新2030-重大项目(2022ZD0115802); 新疆天山英才科技创新团队项目(2023TSYCTD0012)

针对复杂田间棉花的多尺度变化导致现存目标检测算法误报率及漏报率较高、现存检测算法计算量较大难以部署到边缘设备中的问题, 通过优化特征提取与特征融合, 并结合模型剪枝与知识蒸馏技术, 提出一种轻量级田间棉花品级检测算法YOLOv8-Cotton。首先, 在特征提取网络中设计多尺度卷积(MSConv), 其包含不同尺度的卷积核, 能够增强网络的特征提取能力; 其次, 在颈部网络中构建高效的局部特征选择(ELS)机制, 在空间维度上捕获水平和垂直方向的特征, 抑制不相关区域对预测结果的影响, 并利用ELS机制构建新型的分级特征路径融合网络(HL-PAN), 利用其上采样特征融合(U-SFF)及下采样特征融合(D-SFF)所产生的互补信息指导特征融合, 增强模型对棉花多尺度变化的检测能力; 接着, 通过分层自适应幅度剪枝(LAMP)模型剪枝算法压缩模型, 达到轻量化效果; 最后, 利用CWD损失函数进行特征蒸馏, 以增强轻量化模型的检测性能。实验结果表明, YOLOv8-Cotton在自建数据集上的mAP@0.5、mAP@0.5∶0.95值分别达到75.4%、53.1%, 比基线算法分别提高5.1、2.1百分点的同时, 模型大小下降4.83 MB, 计算量减少5.8×109, 并在公开数据集上验证了模型的泛化性。

来源：2026年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第1期