基于改进YOLO11n的苹果幼果识别方法

Young Apple Fruit Identification Based on Improved YOLO11n

摘要

苹果幼果的高效精准识别是自动化机械疏果的重要前提，针对苹果幼果因光线不足、叶片遮挡及果实堆叠等导致的识别困难，提出一种“迁移学习+注意力机制”双维度改进的YOLO11n的识别算法，旨在提升复杂田间环境下自动化疏果机械识别的准确性及泛化性。该算法构建思路为，构建和标注包含多时段、多角度和不同田间环境下的苹果幼果图像数据集，为训练模型提供高质量样本支持；利用迁移学习微调优化YOLO11n模型，提升模型在实际场景识别的泛化能力；迁移学习优化后，在最优基础模型YOLO11n中引入卷积注意力模块（convolutional block attention module，CBAM），构建YOLO11n-CBAM改进模型，以达到强化模型关键特征提取能力与目标区域聚焦能力。试验结果表明，迁移学习下的YOLO11n模型准确率P达到97.33%、召回率R达到88.01%、平均精度mAP₅₀达到95.00%、平均精度mAP_50-95达到69.12%，显著优于迁移学习下的其他模型与随机权重下的同类模型；CBAM模块进一步将YOLO11n各项指标提升，P、R、mAP₅₀、mAP_50-95分别达到了99.07%、88.81%、95.87%、71.02%，且在复杂田间场景中展现出更强的抗干扰能力。改进后的模型显著提升了苹果幼果识别的精度，同时拥有较高泛化能力，能够为自动化机械疏果提供有效技术支撑。

Abstract

High-efficiency and precise identification of young apple fruits is a crucial prerequisite for automated mechanical thinning. Addressing recognition challenges caused by insufficient light， leaf obstruction， and fruit clustering， this paper proposes a recognition algorithm based on YOLO11n enhanced through dual-dimensional improvements： transfer learning and attention mechanisms. The goal is to enhance the accuracy and generalization of automated thinning machinery in complex field environments. The algorithm construction approach is as follows： build and annotate an image dataset of young apple fruits covering multiple time periods， angles， and diverse field environments to provide high-quality samples for model training； utilize transfer learning to fine-tune and optimize the YOLO11n model， enhancing its generalization capability for real-world scene recognition； incorporate the convolutional attention module into the optimally tuned baseline YOLO11n model to construct the YOLO11n-CBAM enhanced model， thereby strengthening the model's key feature extraction capabilities and target region focus abilities. Experiments demonstrate that the YOLO11n model under transfer learning achieves a precision （P） of 97.33%， a recall （R） of 88.01%， a mean average precision at 50% （mAP₅₀） of 95.00%， and a mean average precision at 50%-95% （mAP_50-95） of 69.12%. These results significantly outperform other models under transfer learning and comparable models with random weights. CBAM model further enhances YOLO11n's metrics， achieving 99.07% of precision， 88.81% of recall， 95.87% of mAP₅₀， and 71.02% of mAP_50-95， while demonstrating superior interference resistance in complex field environments. The improved model significantly enhances the accuracy of young apple fruit recognition while maintaining high generalization capabilities， providing effective technical support for automated mechanical thinning.

Graphical abstract

关键词

苹果 / 幼果 / 图像识别 / YOLO11n / 迁移学习 / 卷积注意力模块 / 深度学习 / 目标识别

Key words

Apple / young fruit / image recognition / YOLO11n / transfer learning / convolutional attention module / deep learning / object recognition

0 引言

中国是世界第一大苹果生产国，2023年中国苹果产量达到4 960.2万吨^［1］。在苹果果实生长初期，疏果处理不仅能提升果实品质，而且能保证树体生长健康^［2-3］。苹果生长初期的疏果方法一共分为3种，分别为人工疏果、化学试剂疏果^［4-5］及机械自动化疏果^［6］。人工疏果效率过低且成本大，其优点是较为精准；化学试剂疏果虽成本较低、效率高，但影响其疏果的因素较多且疏果效果不可控；机械自动化疏果作业效率高、成本低，同时比化学试剂疏果可控性强。为了提高农业疏果作业的效率，大力发展机械自动化疏果是必然选择。实现自动化疏果机落地的前提是构建田间环境的苹果幼果精准识别算法，如果识别算法精度不足，疏果机则会出现错误疏果决策，降低疏果工作的质量，影响收获果实的数量、质量以及整体的生产效益。因此苹果幼果的精准识别是实现机械自动化疏果的关键，是机械自动化疏果的发展方向，也是发展智慧果园^［7-8］的必然要求。

传统的苹果识别方法是使用计算机提取苹果的颜色、形状和纹理等特征信息，利用阈值分割法、K-means聚类法和色差法等计算机算法对这些特征信息进行分类，从而将苹果果实与背景分离^［9-11］，以达到识别苹果果实的效果。这类识别方法虽然对成熟苹果有一定的识别效果，但因为苹果幼果与背景颜色相近的原因，对苹果幼果识别的准确性较差。随着计算机技术的发展，深度学习算法在农业广泛应用，深度学习在成熟苹果果实识别领域^［12-14］获得了一定的成果，但对苹果幼果的识别依然是一个不小的挑战。疏果前期苹果背景复杂、光照条件变化、果实重叠及被遮挡，特别是果实与背景叶片颜色极为相近等因素，给其目标识别带来很大困难，王丹丹等^［15］提出基于区域的全卷积网络（region-based fully convolutional network，R-FCN）的苹果目标识别方法，识别的召回率为85.7%，识别的准确率为95.1%，误识率为4.9%，平均速度为0.187 s/幅。针对幼果期苹果果色与叶片颜色高度相似、体积微小、分布密集、识别难度大的问题，宋怀波等^［16］提出了一种融合高效通道注意力（efficient channel attention，ECA）机制的改进YOLO v7模型（YOLO v7-ECA），模型准确率为97.2%、召回率为93.6%、平均精度均值（mean average precision，mAP）为98.2%、F1值为95.37%，对场景模糊、阴影和严重遮挡等影响具有较好的鲁棒性，但模型参数庞大，达到了71.3 M。

苹果幼果识别相关研究在高精度检测方面虽已取得较好的结果，但依然存在亟待解决的问题：1）苹果幼果识别模型参数量大，内存开销大，很难移植到边缘计算设备；2）苹果幼果在自然环境下存在光线不足、果实堆叠和叶片遮挡等情况，降低影响识别效果；3）幼果与枝叶的颜色和纹理相近、实际环境下拍摄果实不清晰等问题导致对目标错检漏检。

为了解决上述问题，本研究选择单阶段目标检测网络作为基底网络进行研究。单阶段目标检测网络以较少的计算资源获得较高的检测性能和检测精度。其中，YOLO系列算法^［17］凭借其高性能和高效率在目标检测领域广泛应用。YOLO算法在农业识别方面应用广泛，主要有基于YOLOv5的樱桃品质检测^［18］、基于ALAD-YOLO的轻量化算法检测苹果叶片疾病^［19］以及基于YOLO-CRC的茄子定位算法^［20］。为了提升YOLO算法准确度和降低训练成本，根据相关研究表明，迁移学习可以有效地提升深度学习模型的检测精度与收敛速度，且减少训练时造成的大量计算开销。苏楠等^［21］提出基于改进自蒸馏EMA-DeiT与迁移学习的番茄叶片病害识别方法。陈浩等^［22］提出基于迁移学习和VGG19卷积神经网络的苹果树叶片病虫害图像分类方法。仝召茂等^［23］提出融合图像增强和迁移学习的YOLOv8n夜间苹果检测方法，提高了夜间苹果检测的精准度。

苹果幼果的精准识别是实现机械自动化疏果作业的前提，但现有的方法在效率、精度和泛化性方面仍存在不足。本研究旨在改进YOLO11n算法，解决苹果幼果识别的关键问题（光线不足、果实堆叠、叶片遮挡），通过增强YOLO11n算法对苹果幼果的特征提取能力，提升幼果识别的准确率和泛化性，同时降低计算资源消耗，为机械自动化疏果提供技术支持。

1 材料与方法

1.1 苹果幼果数据集采集及构建

首先，拍摄的苹果幼果图片来自中国新疆石河子市的果园及阿克苏市果园，采集时间为2025年5月中旬至6月上旬（为谢花后至果实第一次膨大期之间），采集设备为iPhone 13手机，拍摄时段为8：30—20：30，共采集4 670张幼果图片，格式为JPG，分辨率为3 072×3 072。

为保证样本多样性，拍摄时间跨越上午、中午、下午和黄昏4个时间，并且拍摄多角度、不同田间环境下的幼果图片，以保证训练图像特征多样性。同时，对训练图像进行裁剪、缩放、归一化处理以提高模型的泛化能力。

其次，使用图像标注工具LabelImg对训练图像进行标注，为模型训练提供数据基准。

最后，将数据集按照7∶2∶1的比例划分训练集、验证集、测试集，以保证模型的学习能力。其中，训练集图片数为3 577，验证集图片数为990，测试集图片数为557。数据集部分图像见图1。

由数据集图像可知，光线较暗的情况下，幼果与枝叶背景亮度差异变小，边界不清晰。同时，幼果本身颜色较浅，在阴影中易偏暗，与叶片或枝干颜色趋于一致；果实堆叠的情况下，多个幼果相互接触，单个果实的轮廓不完整；叶片遮挡情况下，幼果仅暴露局部区域，关键形状与纹理特征缺失。

1.2 YOLO11n模型改进

YOLO11n算法是YOLO系列算法最新的阶段性成果，具有识别精度高和速度快的优点，适合需要实时性和精确性的农业目标识别场景。YOLO11n网络由Backbone（主干网络）、Neck（颈部网络）和Head（头部网络）组成，主干网络的作用是对输入图像进行特征提取，颈部网络的作用是对提取的特征进行融合，头部网络主要用于判断融合后的特征图是否包含识别目标，同时得到目标的位置、置信度和类别信息。

苹果幼果尺寸小，果实颜色与环境背景颜色相近，在田间环境下苹果幼果存在果实堆叠、枝叶遮挡等不利于识别的状态。为了精准识别苹果幼果，这要求识别模型有更加强大的细节捕捉能力和背景分离与抑制能力。因此在YOLO11n原模型的基础上，本研究采用迁移学习的方法^［24-25］，在模型中引入大规模数据（如COCO数据集、ImageNet数据集），从中学到通用视觉先验知识，以提高模型在复杂环境和信息不完整场景下的特征表达与泛化能力。然后，在预训练的YOLO11n模型主干网络中引入卷积注意力模块（convolutional block attention module，CBAM），强化模型关键特征提取能力与目标区域聚焦能力，进一步提高模型在苹果幼果识别任务中的学习能力，以及在田间环境下模型的抗干扰能力，改进的YOLO11n-CBAM模型结构见图2。具体YOLO11n模型改进方法如下。

1）预训练模型选择：选择YOLO11n作为基础模型，该模型在其他成熟果实识别任务上表现出较好的工作性能^［26-27］，在COCO、ImageNet等大规模数据集进行预训练，有着丰富的特征提取能力。

2）迁移学习：将预训练的YOLO11n模型作为特征提取模型，训练时固定模型主干网络浅层网络的权重，利用预训练模型在大规模通用数据集中学习到的特征，微调深层块权重^［28-29］来适应苹果幼果识别任务。

3）注意力机制：在Backbone（主干网络）的5层和8层引入注意力机制，之所以在这两层引入是为了与颈部网络中相同尺度的特征图融合，提升对不同尺度特征图的特征提取能力，然后通过比较3种注意力模块的性能，3种注意力模块分别是CBAM、全局注意力机制（global attention mechanism，GAM）、压缩与激励（squeeze-and-excitation，SE），从中选出最优模块，进一步提升模型在苹果幼果识别任务中准确性与泛化性。

1.2.1 迁移学习

深度学习通常需要大量标注数据（如数万甚至更多）进行训练，这在小样本数据的任务中存在一定的挑战^［30］。为了解决这一问题，本研究采用了迁移学习方法，通过借用YOLO11n模型在大规模数据集上学到的先验知识，提升其在特定目标领域的表现。迁移学习为新的识别任务提供了一个更为强大的起点，使得模型在本研究所用的数据集上能够保持更好的泛化能力，同时显著减少了对大量标注数据的依赖^［31-33］。

机理分析迁移学习效果：对光线较暗问题，预训练模型的底层网络通常会学习到与光照变化关系较弱的结构特征（如边缘、角点和轮廓等），当这些特征迁移到幼果识别任务时，即使在弱光或阴影环境下，模型仍能够依赖形状和结构信息进行判别，而不仅仅依赖于颜色特征。

对果实堆叠问题，预训练模型在复杂果园环境下学习到不同目标间的空间分布模式，迁移后的模型更容易识别“局部果实特征”并进行多实例区分。这使得模型在密集目标区域中的特征响应更加稳定，有助于减少多个果实被合并为单一目标的情况。

对叶片遮挡问题，迁移学习增强了模型基于上下文的语义推理能力，使模型具备从局部可见区域推断完整目标的能力；利用果柄、枝条和空间关系等上下文信息进行辅助判断，区分“叶片局部纹理”与“果实局部结构”的能力。

本研究将使用YOLO11n模型在通用数据集COCO预训练的模型，按照YOLO官方文档给出的训练策略进行训练，得到预训练模型。预训练完成后，将模型的参数迁移至苹果幼果检测任务中。参数迁移将采用微调深层块权重的方法。具体方法为：1）对主干网络中的C3K2层以及Conv层进行冻结，仅训练颈部网络及头网络；2）选用随机梯度下降（stochastic gradient descent，SGD）作为模型参数优化器，该优化器动量设置为0.937，初始学习率设置为0.01，最终学习率设置为0.01×0.01，权重衰减设置为0.000 5；3）在最初的5个周期中选用较高的学习率，后依照余弦退火算法逐渐减少至设定的学习率，以实现模型的稳定训练；4）使用自动混合精度（automatic mixed precision，AMP）加快训练的速度。

1.2.2 CBAM注意力模块

卷积注意力模块（CBAM）是一种用于前馈卷积神经网络的模块。给定一个中间特征图，CBAM模块会沿着2个独立的维度（通道和空间）依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。

具体来说，CBAM通过结合通道注意力机制和空间注意力机制，使得网络能够更关注那些对识别任务有意义的特征。在苹果幼果的识别任务中，尤其是在光照变化、部分遮挡和背景复杂的情况下，CBAM模块能够动态调整不同通道的权重，使得网络能够优先关注与苹果幼果相关的特征，忽略无关或干扰较大的信息。同时，通过空间注意力机制，CBAM能够引导模型聚焦于图像中的重要区域（如苹果幼果所在的部分），避免关注到无关区域。这可以有效减少背景噪声和遮挡对识别的干扰。因此，CBAM能够通过增强模型对关键特征的关注，提升其在苹果幼果识别中的准确性、泛化性以及对复杂场景的适应能力，从而有效提高整体性能。

1.3 评价指标

本研究选取以下参数作为评估苹果幼果模型的性能指标：精确度（precision，P）、召回率（recall，R）、IoU阈值为0.5的平均精度（m_{\mathrm{A}{\mathrm{P}}_{\mathrm{50}}}）和IoU阈值为0.5~0.95的平均精度（m_{\mathrm{A}{\mathrm{P}}_{\mathrm{50}-\mathrm{95}}}）评估各模型的性能。

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}。（1）

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}。（2）

A_{\mathrm{P}}={\int }_{\mathrm{0}}^{\mathrm{1}}P\left(R\right)\mathrm{d}R。（3）

m_{\mathrm{A}\mathrm{P}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{A}_{pi}}{n}。（4）

式中：T_P为正确预测中的正样本；F_P为错误预测中的正样本；F_N为错误预测中的负样本；A_P为每个样本的平均精度；n为预测类别数量，本课题n=1。

试验在Windows11操作系统上进行，使用Python版本3.10，PyTorch 2.8.0深度学习开发框架，Cuda版本为12.6，中央处理器为AMD Ryzen 9 7950X3D 16-Core，显卡为NVIDIA RTX 4090显存为24 G，内存为64 G。

2 结果与分析

2.1 迁移学习与随机权重训练结果比较

为了系统评估迁移学习在不同目标检测架构上的适用性和效果，本研究选取RetinaNet、YOLOv3-tiny、YOLOv5n、YOLOv8n和YOLO11n这5种模型进行对比分析，这一选择基于以下考虑：RetinaNet作为单阶段识别算法的经典代表，具有较强的特征提取与类别平衡能力；YOLOv3-tiny是轻量化设计的早期典型，适合部署在资源受限环境中；YOLOv5n、YOLOv8n和YOLO11n则分别代表YOLO系列在轻量化、速度-精度平衡与最近架构演进方面的阶段性成果。通过涵盖从经典到前沿，从极轻量到均衡性的多种模型结构，能够全面评估迁移学习方法在不同类型算法上的泛化性与稳定性，选取适合的模型架构，为苹果幼果识别任务提供证据。

迁移学习预训练的数据集为COCO数据集。模型训练精度结果见表1，模型评价指标折线见图3。由图3与表1可知，随着训练轮数的增加，5种模型（RetinaNet、YOLOv3-tiny、YOLOv5n、YOLOv8n、YOLO11n）的召回率R、平均精度mAP₅₀、mAP_50-95呈明显上升趋势，说明随着训练迭代次数增加，模型泛化能力持续提升。由试验过程来看：训练轮数达到50轮时，模型的各性能指标较低，仍然有提升的空间；随着训练轮数增加至200轮，模型的各项性能指标显著提升。其中，迁移学习的YOLO11n模型性能最优，召回率R达到88.01%、mAP₅₀达到95.00%、mAP_50-95达到69.12%，相比训练初期R、mAP₅₀、mAP_50-95分别提升0.78、0.99、1.52个百分点。随机权重的YOLO11n模型，召回率R达到86.79%、mAP₅₀达到93.43%、mAP_50-95达到68.12%，相比于训练初期R、mAP₅₀、mAP_50-95分别提升1.61、1.19、0.90个百分点。

相较于随机权重的模型，迁移学习的模型在训练初始阶段就展现出较好的性能。在训练轮数50的状态下，迁移学习下的YOLO11n模型准确率P达到96.27%、召回率R达到87.23%、mAP₅₀达到94.01%、mAP_50-95达到67.59%，比随机权重训练轮数50状态下的YOLO11n模型提升0.52、2.06、1.77、0.37个百分点。由此可以看出，在训练初期迁移学习对模型的准确率和召回率有较大的促进作用；当训练轮数为200时，模型的P、R、mAP₅₀、mAP_50-95分别提升1.26、1.22、1.57、1.00个百分点。迁移学习提高了模型对新数据集的适应性，增强了模型的泛化能力，同时一定程度上提升了模型的抗过拟合能力。

2.2 迁移学习下训练模型结果

迁移学习下RetinaNet、YOLOv3-tiny、YOLOv5n、YOLOv8n、YOLO11n和YOLO11n-CBAM模型性能比较结果见图4。

图4展示了6种模型在本课题中的识别结果，在果实堆叠的情况下，RetinaNet、YOLOv3-tiny、YOLOv5n、YOLOv8n、YOLO11n和YOLO11n-CBAM都能做到不错检、不漏检，但YOLO11n-CBAM模型对苹果幼果识别置信度较高，特别是对后排堆叠程度高的幼果置信度达到89%。在光线较暗的情况下，RetinaNet和YOLOv5n模型出现错检情况，其他模型无错检情况，YOLO11n-CBAM模型的置信度最高。在叶片遮挡情况下，RetinaNet、YOLOv3-tiny、YOLOv5n、YOLOv8n和YOLO11n模型均出现不同程度的漏检情况，YOLOv3-tiny和YOLOv5n模型也出现错检情况。

引入迁移学习与CBAM注意力机制的YOLO11n-CBAM模型，可实现目标无漏检、无错检，同时其模型性能P、R、mAP₅₀、mAP_50-95达到了99.07%、88.81%、95.87%、71.02%。这表明迁移学习增强了模型对小尺度目标的感知能力。在幼果尺度较小且被遮挡的情况下，预训练模型能够更好地保留多尺度特征信息，减缓特征在深层网络中逐级衰减的问题，从而提升小目标的检测稳定性。 引入 CBAM 注意力机制能够使模型在通道和空间维度上自适应地强化与幼果相关的关键特征，并抑制叶片等背景区域的干扰，从而提升模型对遮挡目标的感知能力。

2.3 不同注意力机制对比

本研究中引入CBAM注意力模块，并与SE及GAM注意力模块进行对比。其中，SE注意力模块是一种通道注意力机制，通过建模各通道之间的依赖关系来实现特征重标定和强化判别通道特征，但不直接建立空间位置关系。GAM模块是一种联合建模通道与空间信息的全局注意力机制，对特征进行联合重标定，从而提升模型对关键区域和关键特征的响应能力，但其结构复杂度相对较高。

由表2分析可得，YOLO11n的P、R、mAP₅₀、mAP_50-95分别为97.33%、88.01%、95.00%、69.12%。YOLO11n-CBAM的P、R、mAP₅₀、mAP_50-95分别为99.07%、88.81%、95.87%、71.02%，比起原模型提升了1.74、0.80、0.87、1.90个百分点。

在模型复杂度方面，YOLO11n-GAM模型的浮点运算量（FLOPs）最高，为13.0 G，且参数量最大，有4.635 M.而YOLO11n-CBAM模型FLOPs有7.2 G，参数量有2.649 M，参数量上比YOLO11n-SE多了3.11%，比YOLO11n-GAM模型参数量减少了42.8%，但综合性能上超过YOLO11n-GAM以及YOLO11n-SE。

由上述试验结果可以看出，SE模块仅对通道维度进行特征重标定，缺乏对空间位置信息的建模能力，因此该模块在复杂果园背景下对小目标区域的响应有限，其准确率低于添加CBAM模块的模型；GAM模块虽能联合建立通道与空间信息关系，但其结构相对复杂，计算开销较高，其模型参数量也远远大于添加CBAM模块的模型，不利于农业场景下算法部署。相比之下，CBAM模块通过串联通道注意力与空间注意力，在较低参数增量下实现对关键特征与关键区域的协同强化，从而在检测精度与模型复杂度之间取得更优的平衡。

3 结论

本研究提出一种改进的YOLO11n的苹果幼果识别模型，基于迁移学习以及CBAM模块的YOLO11n模型能够精准地识别苹果幼果，且泛化能力强。主要结论如下。

1）使用迁移学习的YOLO11n模型在苹果幼果识别任务中具有较好的性能，其准确率P达到97.33%、召回率R达到88.01%、mAP₅₀达到95.00%、mAP_50-95达到69.12%，相比训练初期R、mAP₅₀、mAP_50-95分别提升0.78、0.99、1.52个百分点，对比随机权重下的YOLO11n模型P、R、mAP₅₀、mAP_50-95分别提升1.26、1.22、1.56、1.00个百分点。与仅依赖从头训练的检测模型相比，YOLO11n-CBAM模型通过迁移学习引入大规模数据集的先验知识，使网络在特征提取阶段具备更稳定的边缘、纹理及形状感知能力。

2）CBAM注意力机制模块可以使YOLO11n模型进一步提升，YOLO11n-CBAM模型的P、R、mAP₅₀、mAP_50-95分别为99.07%、88.81%、95.87%、71.02%，相比于YOLO11n模型提升了1.74、0.80、0.87、1.90个百分点。CBAM注意力机制能够自适应强化与幼果相关的关键特征，并抑制叶片等背景干扰。

3）迁移学习和CBAM注意力机制的协同作用使模型在目标特征不完整或背景复杂的情况下，仍能保持较高的检测可靠性。在光照较弱条件下，迁移学习所带来的特征泛化能力有助于缓解特征偏移问题，使模型对幼果的语义理解更加稳定；在叶片遮挡和果实重叠等复杂场景中，CBAM注意力机制引导模型聚焦于幼果的关键可见区域，有效降低遮挡条件下的漏检和错检现象。且试验结果表明，该方法在多种复杂果园场景中均表现出良好的适配性。

4）YOLO11n-CBAM模型在保持较高检测精度的同时，兼顾了模型规模和计算效率，具有较好的实时性与部署潜力，可为幼果监测与产量估计等应用提供有效的技术支持。尽管该方法在复杂遮挡场景下取得了较好的检测效果，但在极端密集遮挡条件下仍存在一定改进空间，未来将进一步结合上下文建模与时序信息提升模型性能。

参考文献

[1] 国家统计局.中国统计年鉴［M］.北京：中国统计出版社，2024.

[2] National Bureau of Statistics of China.China statistical yearbook［M］.Beijing：China Statistics Press，2024.

[3] 刘利民，聂琳，赵红亮，等.不同化学药剂对“夏红”“华硕”“富士”苹果品种疏花疏果的影响［J］.北方园艺，2022（21）：44-49.

[4] LIU L M， NIE L， ZHAO H L，et al.Effects of different chemical agents on flower and fruit thinning of ‘Xiahong’ ‘Huashuo’ and ‘Fuji’ apple varieties［J］.Northern Horticulture，2022（21）：44-49.

[5] 卢蒙蒙，江珊，张国浩，等.苹果化学疏花疏果技术研究进展［J］.中国果树，2021（4）：4-7，22.

[6] LU M M， JIANG S， ZHANG G H，et al.Research progress on chemical flower and fruit thinning technology of apple［J］.China Fruits，2021（4）：4-7，22.

[7] 李文胜，王安丽，吴泽珍，等.不同化学疏果剂对富士苹果疏除效果及品质的影响［J］.西北农业学报，2022，31（4）：468-478.

[8] LI W S， WANG A L， WU Z Z，et al.Effects of fruit thinning with different chemicalson thinning and quality in Fuji apple［J］.Acta Agriculturae Boreali-occidentalis Sinica，2022，31（4）：468-478.

[9] 冯贝贝，梅闯，王磊，等.阿克苏富士苹果烟富3号化学疏花疏果的效果［J］.新疆农业科学，2023，60（10）：2470-2478.

[10] FENG B B， MEI C， WANG L，et al.Study on the effect of chemical flower and fruit thinning on Aksu Fuji apple Yanfu 3［J］.Xinjiang Agricultural Sciences，2023，60（10）：2470-2478.

[11] 尚忠，于建波，姜秀美，等.苹果疏果器研制［J］.农业机械，2021（7）：109-110.

[12] SHANG Z， YU J B， JIANG X M，et al.Development of an apple thinning device［J］.Farm Machinery，2021（7）：109-110.

[13] 郑永军，翟淑媛，王应宽，等.大田与果园农机作业智慧决策技术研究进展与发展趋势［J］.农业工程学报，2025，41（18）：1-27，331.

[14] ZHENG Y J， ZHAI S Y， WANG Y K，et al.Research advance and development trend of intelligent decision-making technology for agricultural machinery in farmland and orchard scenarios［J］.Transactions of the Chinese Society of Agricultural Engineering，2025，41（18）：1-27，331.

[15] 崔宏伟，路晓轩，杨亚青，等.智慧化果园关键生产技术研究现状与进展［J］.果树学报，2025，42（7）：1582-1609.

[16] CUI H W， LU X X， YANG Y Q，et al.Research status and progress on key technologies of intelligent orchard［J］.Journal of Fruit Science，2025，42（7）：1582-1609.

[17] 吴庆岗，张卫国，李灿林，等.自然环境下基于Lab空间的成熟苹果图像分割［J］.江苏农业科学，2017，45（9）：177-179.

[18] WU Q G， ZHANG W G， LI C L，et al.Segmentation of mature apple image based on Lab space under natural environment［J］.Jiangsu Agricultural Sciences，2017，45（9）：177-179.

[19] 王艳，祁萌.基于遗传算法和阈值分割的夜间苹果识别方法［J］.机械设计与研究，2020，36（3）：220-225，233.

[20] WANG Y， QI M.Apple recognition at night based on genetic algorithm and threshold segmentation［J］.Machine Design and Research，2020，36（3）：220-225，233.

[21] 胡婵莉，赵德安，赵宇艳，等.基于极值的重叠苹果识别方法研究［J］.农机化研究，2016，38（3）：42-46.

[22] HU C L， ZHAO D A， ZHAO Y Y，et al.Research on localization method for overlapped apples based on maxima［J］.Journal of Agricultural Mechanization Research，2016，38（3）：42-46.

[23] HASSAN E， GHAZALAH A S， EI-RASHIDY N，et al.DenseNet model with attention mechanisms for robust date fruit image classification［J］.International Journal of Computational Intelligence Systems，2025，18（1）：228.

[24] CONG G X， CHEN X H， BING Z Y，et al.YOLOv8-Scm：An improved model for citrus fruit sunburn identification and classification in complex natural scenes［J］.Frontiers in Plant Science，2025，16：1591989.

[25] 马保建，邱媛媛，陈棒棒，等.基于改进YOLOv8n轻量化模型的苹果识别方法［J］.石河子大学学报（自然科学版），2025，43（2）：143-151.

[26] MA B J， QIU Y Y， CHEN B B，et al.Apple recognition method based on improved YOLOv8n lightweight model［J］.Journal of Shihezi University（Natural Science），2025，43（2）：143-151.

[27] 王丹丹，何东健.基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别［J］.农业工程学报，2019，35（3）：156-163.

[28] WANG D D， HE D J.Recognition of apple targets before fruits thinning by robot based on R-FCN deep convolution neural network［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（3）：156-163.

[29] 宋怀波，马宝玲，尚钰莹，等.基于YOLO v7-ECA模型的苹果幼果检测［J］.农业机械学报，2023，54（6）：233-242.

[30] SONG H B， MA B L， SHANG Y Y，et al.Detection of young apple fruits based on YOLO v7-ECA model［J］.Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：233-242.

[31] JIANG L L， WANG Y F， WU C，et al.Fruit distribution density estimation in YOLO-Detected strawberry images：A kernel density and nearest neighbor analysis approach［J］.Agriculture，2024，14（10）：1848.

[32] HAN W， JIANG F， ZHU Z.Detection of cherry quality using YOLOV5 model based on flood filling algorithm［J］.Foods，2022，11（8）：1127.

[33] XU W S， WANG R J.ALAD-YOLO：An lightweight and accurate detector for apple leaf diseases［J］.Frontiers in Plant Science，2023，14：1204569.

[34] 刘芹，欧阳婧玟，周智彬，等.基于YOLO-CRC的茄子及茄子梗分割与定位方法［J］.农业工程学报，2025，41（19）：196-205.

[35] LIU Q， OUYANG J W， ZHOU Z B，et al.Segmentation and localization method for eggplants and stems based on YOLO-CRC［J］.Transactions of the Chinese Society of Agricultural Engineering，2025，41（19）：196-205.

[36] 苏楠，宋政道，曹晴，等.基于改进自蒸馏EMA—DeiT与迁移学习的番茄叶片病害识别方法［J］.中国农机化学报，2025，46（10）：192-202，209.

[37] SU N， SONG Z D， CAO Q，et al.Tomato leaf disease recognition method based on improved self⁃distillation EMA—DeiT and transfer learning［J］.Journal of Chinese Agricultural Mechanization，2025，46（10）：192-202，209.

[38] 陈浩，唐柳青.基于迁移学习和VGG19卷积神经网络的苹果树叶片病虫害图像分类方法［J］.南方农机，2024，55（20）：6-9.

[39] CHEN H， TANG L Q.An image classification method for apple leaf pests and diseases based on transfer learning and the VGG19 convolutional neural network［J］.South Agricultural Machinery，2024，55（20）：6-9.

[40] 仝召茂，陈学海，马志艳，等.融合图像增强和迁移学习的YOLOv8n夜间苹果检测方法［J］.华中农业大学学报，2024，43（5）：1-9.

[41] TONG Z M， CHEN X H， MA Z Y，et al.A method for detecting apple at night based on YOLOv8n with fusion of image enhancement and transfer learning［J］.Journal of Huazhong Agricultural University，2024，43（5）：1-9.

[42] 郭惠萍，曹亚州，王晨思，等.基于迁移学习的苹果落叶病识别与应用［J］.农业工程学报，2024，40（3）：184-192.

[43] GUO H P， CAO Y Z， WANG C S，et al.Recognition and application of apple defoliation disease based on transfer learning［J］.Transactions of the Chinese Society of Agricultural Engineering，2024，40（3）：184-192.

[44] 周宏平，金寿祥，周磊，等.基于迁移学习与YOLOv8n的田间油茶果分类识别［J］.农业工程学报，2023，39（20）：159-166.

[45] ZHOU H P， JIN S X， ZHOU L，et al.Classification and recognition of Camellia oleifera fruit in the field based on transfer learning and YOLOv8n［J］.Transactions of the Chinese Society of Agricultural Engineering，2023，39（20）：159-166.

[46] 吴世琛，毛玉明，胡慧中，等.基于改进YOLO11n的葡萄果叶病害检测方法［J］.农业工程学报，2025，41（14）：140-147.

[47] WU S C， MAO Y M， HU H Z，et al.Detecting grape leaf diseases using improved YOLO11n［J］.Transactions of the Chinese Society of Agricultural Engineering，2025，41（14）：140-147.

[48] 黄铭杰，蔡伟强，张子健，等.基于改进YOLO11的荔枝果实品种实时精准识别算法［J］.农业工程学报，2025，41（11）：156-164.

[49] HUANG M J， CAI W Q， ZHANG Z J，et al.Real-time accurate recognition algorithm for litchi fruit varieties based on improved YOLO11［J］.Transactions of the Chinese Society of Agricultural Engineering，2025，41（11）：156-164.

[50] SAMBANA B， NNADI S H， WAJID A M，et al.An efficient plant disease detection using transfer learning approach［J］.Scientific Reports，2025，15（1）：19082.

[51] TERLAPU P V， CHANDRA N S， BANDARU R，et al.Intelligent detection of tomato crop diseases using hybrid transfer learning with PCA-Enhanced SVM classifier［J］.IAENG International Journal of Computer Science，2025，52（9）：2976-2991.

[52] 邹小波，高文健，石吉勇，等.基于改进DenseNet与迁移学习的食品图像分类技术［J］.中国农机化学报，2025，46（6）：77-84，105.

[53] ZOU X B， GAO W J， SHI J Y，et al.Food image classification technology based on improved DenseNet and transfer learning［J］.Journal of Chinese Agricultural Mechanization，2025，46（6）：77-84，105.

[54] 张国忠，吕紫薇，刘浩蓬，等.基于改进DenseNet和迁移学习的荷叶病虫害识别模型［J］.农业工程学报，2023，39（8）：188-196.

[55] ZHANG G Z， LYU Z W， LIU H P，et al.Model for identifying lotus leaf pests and diseases using improved DenseNet and transfer learning［J］.Transactions of the Chinese Society of Agricultural Engineering，2023，39（8）：188-196.

[56] 何豪旭，高祥，饶元，等.基于改进YOLOv8s的小麦苗期叶尖检测方法［J］.中国农业科学，2025，58（18）：3598-3615.

[57] HE H X， GAO X， RAO Y，et al.Detection method of leaf tip in wheat seedling stage based on improved YOLOv8s［J］.Scientia Agricultura Sinica，2025，58（18）：3598-3615.

[58] 董萍，卫梦华，时雷，等.迁移学习在玉米叶片病害识别中的研究与应用［J］.中国农机化学报，2022，43（3）：146-152.

[59] DONG P， WEI M H， SHI L，et al.Research and application of transfer learning in identification of maize leaf diseases［J］.Journal of Chinese Agricultural Mechanization，2022，43（3）：146-152.

基金资助

甘肃省2025年度重点研发计划(25YFNM002)

陕西省关键核心技术攻关-区域创新能力提升项目(2025QY-GJHX-30)

陕西省重点研发计划(2025CY-JJQ-148)

陕西省重点项目(2025CY-JJQ-154)