基于YOLO11的定制棉花检测算法：用于棉花颗粒的生长阶段检测
计算机视觉与模式识别
2026-03-20 v2
摘要
棉花收割是一个关键阶段，棉花颗粒会被物理性地操作，可能导致纤维质量下降。为保持最高质量，收割方法必须模拟精细的手动抓取，以保留棉花的内在特性。自动化此过程需要能够识别棉花颗粒在各种生长阶段的系统。为解决此挑战，本文提出COTONET，一种针对棉花颗粒检测的增强型定制YOLO11模型，采用注意力机制以提高对困难实例的检测。该体系结构包括：用Squeeze-and-Exitation模块替换卷积块、重新设计集成注意力机制的主干网络、以及用内容感知特征重组（CARAFE）取代标准上采样操作。此外，我们集成Simple Attention Modules（SimAM）用于主要特征聚合，以及Parallel Hybrid Attention Mechanisms（PHAM）用于下行颈部路径中的通道级、空间级和坐标级注意力。该配置为解释棉花作物生长的复杂性提供了更大的灵活性和鲁棒性。COTONET符合小到中等YOLO模型，参数为7.6M，计算量为27.8 GFLOPS，适用于低资源边缘计算和移动机器人。COTONET优于标准YOLO基准，实现mAP50为81.1%，mAP50-95为60.6%。
引用
@article{arxiv.2603.11717,
title = {COTONET: A custom cotton detection algorithm based on YOLO11 for stage of growth cotton boll detection},
author = {Guillem González and Guillem Alenyà and Sergi Foix},
journal= {arXiv preprint arXiv:2603.11717},
year = {2026}
}
备注
15 pages, 11 figures. This paper will be submitted to Computers and Electronics in Agriculture, special issue