基于改进YOLO11n的苹果幼果识别方法

张瑞峰, 汤伟, 孙永会, 牛育华, 武军虎

森林工程 ›› 2026, Vol. 42 ›› Issue (3) : 625 -636.

PDF
森林工程 ›› 2026, Vol. 42 ›› Issue (3) : 625 -636.

基于改进YOLO11n的苹果幼果识别方法

    张瑞峰, 汤伟, 孙永会, 牛育华, 武军虎
作者信息 +

Author information +
文章历史 +
PDF

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mAP50-95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、mAP50-95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。

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

引用本文

引用格式 ▾
张瑞峰, 汤伟, 孙永会, 牛育华, 武军虎. 基于改进YOLO11n的苹果幼果识别方法[J]. 森林工程, 2026, 42(3): 625-636 DOI:

登录浏览全文

4963

注册一个新账户 忘记密码

参考文献

AI Summary AI Mindmap
PDF

1

访问

0

被引

详细

导航
相关文章

AI思维导图

/