近日，大数据与智能工程学院寇卫利教授团队在天然橡胶智能采收视觉检测研究方面取得新进展，在国际期刊《Industrial Crops and Products》（中科院农林科学1区Top，影响因子6.2）发表了题为“YOLO-DCS: A high-precision edge detection method for latex bowl state and latex trail state”的研究论文（doi: 10.1016/j.indcrop.2025.122310）。该研究面向天然橡胶智能采收场景，提出了一种轻量化高精度边缘检测模型YOLO-DCS，实现了复杂林下环境中胶杯状态与胶液流痕状态的精准识别，为橡胶智能采收装备和林下边缘端实时决策提供了技术支撑。

2023级研究生朱锦灿为论文第一作者，寇卫利教授和荣剑副教授为论文通讯作者。

天然橡胶是重要的战略性工业原料，胶乳采收效率和采收质量直接关系到橡胶产业生产效益。传统胶乳采收主要依赖人工巡检和经验判断，存在劳动强度大、作业效率低、采收时效性不足等问题，容易造成胶乳溢出、凝固和浪费，难以满足天然橡胶产业智能化发展的需求。

胶杯状态和胶液流痕状态是判断采收时机、优化作业调度和减少胶乳损耗的重要依据。然而，橡胶林下环境复杂，光照变化、背景遮挡、胶杯污染和拍摄角度差异等因素都会影响识别精度；同时，胶液流痕具有目标细小、纹理较弱、形态变化明显等特点，给实时检测和边缘端部署带来了较大挑战。

本研究以自建天然橡胶林可见光与红外图像数据集为基础，围绕胶杯状态和胶液流痕状态的智能识别问题，构建了基于YOLOv10s改进的轻量化高精度检测模型YOLO-DCS。研究创新性地提出了自设计的动态特征聚合模块（DFA）和C2f-CPCA注意力增强模块，同时巧妙融合深度可分离卷积（DWConv）和SPDConv轻量化卷积，在增强细小目标、弱纹理目标和多状态特征表达能力的同时，显著降低模型计算复杂度。该模型实现了胶杯状态与胶液流痕状态的一体化精准识别，并在可见光和红外场景下表现出良好的鲁棒性与泛化能力，为天然橡胶智能采收的实时感知与边缘端决策提供了技术支撑。

研究结果表明，YOLO-DCS能够准确识别胶杯“已满、未满、倾倒”以及胶液流痕“流尽、未流尽”等关键采收状态。在可见光数据集上，模型mAP0.50达到82.1%，较原始YOLOv10s提升4.7%；召回率达到78.5%，提升9.3%；模型计算量降低64.9%。红外数据集实验进一步表明，该模型在不同成像条件下具有较好的稳定性和泛化能力。

该研究得到云南省天然橡胶智能监测与数字化应用国际联合实验室项目（202403AP140001）、云南省基础研究计划项目（202301BD070001-160、2018FG001-059）和兴滇英才支持计划（YNWR-QNBJ-2019-270）等项目支持。

    （来源：大数据与智能工程学院，图/文:荣剑/初审：芮蕊/复审：徐开蒙/终审：程希平）