MFDF-YOLO：复杂场景下的轻量级棉花检测算法
来源：计算机工程与应用杂志2026年第2期北京时间：
作者：郭敬博, 黄晓辉
单位：新疆大学 计算机科学与技术学院，乌鲁木齐 830046；
摘要：在真实棉田环境中，棉花目标呈现多尺度密集分布，不同尺寸目标在特征表达上差异较大，且复杂背景与枝叶遮挡易导致边缘退化与特征残缺，以上因素共同加剧了检测过程中的误检、漏检与定位不准等问题。为此，改进YOLOv11设计了一种轻量级棉花检测算法MFDF-YOLO，以提升复杂场景下的检测性能。该算法设计多尺度边缘特征选择模块（C3k2-MSEFS），通过多尺度边缘特征增强与双域选择机制强化高频边缘信息并抑制背景信息，从而增强对多尺度目标的感知与定位能力；利用上下文锚点注意力机制（CAA）改进高级筛选特征金字塔网络（HSFPN）并重构颈部网络，保持多尺度特征融合过程中的小目标和遮挡目标响应；设计轻量高效检测头（LEDH），采用分组卷积与参数共享的精简结构，在显著降低计算量的同时提高目标检测精度。自建棉花数据集上的实验结果表明，MFDF-YOLO较基线模型的mAP@0.5指标提升5.2个百分点，模型参数量降低30.6%，计算量降低12.7%，模型大小减少24.1%。此外，通过COCO指标和TIDE指标验证MFDF-YOLO在多尺度目标检测、定位能力和背景抑制方面表现出显著优势，且在公开数据集上进一步验证其良好的泛化能力。
关键词：目标检测,YOLOv11,选择性特征融合,边缘特征选择,轻量化
基金资助：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）。
