张东彦教授等：基于YOLOv10-MHSA的“三北”工程内蒙古地区植树位点精准检测研究（《智慧农业（中英文）》2025年第3期）

热门资讯 2025年08月08日 15:21 1 admin

引用格式

谢纪元, 张东彦, 牛圳, 程涛, 苑峰, 刘亚玲. 基于YOLOv10-MHSA的“三北”工程内蒙古地区植树位点精准检测研究[J]. 智慧农业(中英文), 2025, 7(3): 108-119.

XIE Jiyuan, ZHANG Dongyan, NIU Zhen, CHENG Tao, YUAN Feng, LIU Yaling. Accurate Detection of Tree Planting Locations in Inner Mongolia for The Three North Project Based on YOLOv10-MHSA[J]. Smart Agriculture, 2025, 7(3): 108-119.

官网全文免费阅读

知网阅读

基于YOLOv10-MHSA的“三北”工程内蒙古地区植树位点精准检测研究

谢纪元 1, 2, 张东彦 1, 2*,牛圳 1, 2, 程涛 1, 2, 苑峰 3, 刘亚玲 3

（1. 西北农林科技大学机械与电子工程学院，陕西杨凌 712100，中国；2. 陕西省农业信息感知与智能服务重点实验室，陕西杨凌 712100，中国；3. 国家草业技术创新中心（筹），内蒙古呼和浩特 010021，中国）

摘要：

【目的/意义】为解决无人机平台下“三北”工程内蒙古地区植树位点（树坑）受复杂背景（灌木、杂草群、裸露沙土、起伏地形等）影响，容易出现树坑漏检错检问题，构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA（You Only Look Once version 10-Multi-head Self-Attention）。

【方法】以YOLOv10为基准模型，采用分层特征增强策略，通过跨层信息补偿提升小目标语义表征的完整性，提高其对小目标特征描述的准确性；引入可变卷积核AKConv（Adaptive Kernel Convolution），使模型更精确地聚焦输入图像的特征；构建融合特征的多头自注意力机制MHSA以实现考虑复杂环境因素的有效特征获取；引入Focal-EIOU Loss（Focal Efficient Intersection over Union Loss）替代原有CIOU Loss（Complete Intersection over Union Loss）作为边界框的回归损失，构建非线性优化策略，在保证训练稳定性的同时实现边界框参数的精确计算；最后，选择影响精准识别效果最大的两个因素，通过设计多尺度空间分布与光照强度梯度变化的对比实验，系统性验证了模型在复杂场景下的泛化性与鲁棒性。

【结果和讨论】提出的模型YOLOv10-MHSA在实验数据集上的平均识别精度和检测准确率分别达96.1%和92.1%，相比原模型分别提高4.1%和5.1%，可满足无人机对“三北”工程内蒙古地区植树位点（树坑）进行实时识别的精度和速度要求。

【结论】YOLOv10-MHSA模型通过引入动态特征增强模块，在维持原有检测效率的基础上，成功解决了复杂场景中植树位点小目标特征易湮没的检测瓶颈，这为无人机平台下“三北”工程内蒙古地区植树位点的遥感精准、快速检测提供了新方法。

关键词：植树位点; 复杂背景; 无人机; 小目标检测; YOLOv10

文章图片

张东彦教授等：基于YOLOv10-MHSA的“三北”工程内蒙古地区植树位点精准检测研究（《智慧农业（中英文）》2025年第3期）

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1822号标准地图制作，底图无修改。

图1 研究区及植树位点（树坑）无人机图像

Fig. 1 The study area and UAV imagery of tree planting locations

图2 YOLOv10-MHSA网络结构

Fig. 2 YOLOv10-MHSA network structure

图3 AKConv可变卷积核结构图

Fig. 3 AKConv variable convolution kernel architecture diagram

图4 多头自注意力机制网络结构图

Fig. 4 Multi-headed self-attention mechanism network architecture diagram

图5 损失函数框结构

Fig. 5 Loss function box structure

a. 原始标签 b. YOLOv10n检测图

图6 基于YOLOv10n的植树位点检测结果

Fig. 6 Detection results of tree planting locations based on YOLOv10n model

图7 植树位点检测时不同IOU损失函数曲线

Fig. 7 Different IOU loss function curves for tree planting locations detection

图8 基于YOLOv10-MHSA的植树位点（树坑）测试集识别效能评估

Fig. 8 Effectiveness analysis of test sets of tree planting locations detection based on YOLOv10-MHSA model

a. 原图像 b. YOLOv10检测效果 c. YOLOv10-MHSA检测效果

图9 密集场景下模型改进前后植树位点检测效果对比

Fig. 9 Comparison of tree planting locations detection effect before and after model improvement in dense scenarios

a. 原图像 b. YOLOv10检测效果 c.YOLOv10-MHSA检测效果

图10 光照不足条件下模型改进前后植树位点检测效果对比

Fig. 10 Comparison of tree planting locations detection effect before and after model improvement in dark environment

通信作者

张东彦教授

张东彦，男，山西运城人，工学博士，教授，博士生导师，“一带一路”国家智慧水利综合创新实验室主任，陕西三秦英才（工程技术类），北京智慧农业物联网产业技术创新战略联盟常务理事，呼和浩特市高层次引进人才，安徽省科技厅省级科技特派员。《智慧农业（中英文）》青年编委。主要从事精准农业关键技术与装备创制研究。获 2019、2023 年河南省科技进步二等奖、2021 年安徽省科技进步二等奖、2023 年中国发明创业奖创新奖二等奖。近5年主持/参与国家重点研发计划项目课题、国家自然科学基金面上项目、安徽省重大专项、陕西省重点产业链、内蒙古揭榜挂帅项目等9项，以第一/通讯作者在SCI/EI期刊发表学术论文80余篇，授权国家专利30余项。

来源：《智慧农业（中英文）》2025年第3期

转载请联系编辑部授权

本期支持单位

潍柴雷沃智慧农业科技股份有限公司

内蒙古农业大学

智慧农业微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法： 加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

发布征集

欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。