基于改进YOLOv11n普洱龙珠茶外观质量检测分级算法

摘要

普洱龙珠茶的外观质量直接决定其市场价值，而传统检测方法难以满足实时性、精度与边缘部署的综合需求。为此，提出一种轻量级目标检测算法SHM-YOLO。该模型在YOLOv11基础上引入洗牌网络版本2(ShuffleNetv2)(SHM中的S)作为主干网络，结合点群卷积与通道混洗以降低计算开销；通过引入融合通道注意力与维度匹配的高级筛选特征融合金字塔（hierarchical scale feature pyramid network,HS-FPN）结构（SHM中的H），提升多尺度特征融合效果；同时，借助多尺度注意力块（multi-scale attention block,MAB）模块（SHM中的M）优化C3K2结构，实现更高效的图像细节提取。为提高边界框回归性能，模型融合Inner-IoU与SIoU损失以加快收敛并提升定位精度。在自建普洱龙珠茶外观质量检测数据集上进行验证，SHM-YOLO仅使用0.969×106参数和2.3 MB存储，即可实现97.2%的mAP@50、92.7%的精度（P）、93.6%的召回率（R）及303帧/s的检测速度。相较YOLOv11n，模型在准确率提升的同时，显著降低浮点计算量（减少62.5%）与内存占用（减少47.6%），展现出优越的轻量化性能和工业部署潜力。

关键词

普洱龙珠茶 / 外观质量 / 改进YOLOv11n / ShuffleNetv2 / 高级筛选特征融合金字塔 / 多尺度注意力块 / 高精度检测 / 轻量化模型