基于改进YOLO11n的苹果幼果识别方法

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。

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