基于YOLOv11的YOLO-lychee-advanced:一个基于YOLOv11的虫害损害的优化检测模型
Xianjun Wu1, Xueping Su1, Zejie Ma1
1Guangdong University of Petrochemical Technology, Maoming, China.
Frontiers in plant science
|November 7, 2025
概括
我们开发了YOLO-Lychee-advanced,这是一款精确的AI检测器,用于识别枝干的损伤. 这种先进的模型可以提高害虫检测的准确性和速度,以控制水果的质量.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 机器学习 机器学习
背景情况:
- 由于树干挖掘机的损害,李奇的生产面临重大损失.
- 精确有效地检测害虫害的损害对于保持水果的质量和可销售性至关重要.
- 现有的检测方法可能会与细粒度的虫洞特征和不同的照明条件作斗争.
研究的目的:
- 开发一种轻量级,高精度的物体检测模型,用于识别枝茎在水果表面上的损伤.
- 为了提高模型检测小型害虫洞 (≤2毫米) 的能力,并克服复杂水果皮纹理的干扰.
- 为了提高模型对照明变化的强度,并优化界限框回归,以准确地定位损坏.
主要方法:
- 该研究介绍了YOLO-Lychee-advanced,基于YOLOv11架构构建的.
- 关键的修改包括一个C2f模块,具有双分支的残余连接,用于细粒度特征提取,以及一个CBAM注意区块,以减轻皮肤纹理干扰.
- 该模型利用CIoU损失进行精确的界限框回归,数据增强技术模拟各种照明条件,将数据集扩展到9,183张图像,采用"仅限害虫洞"注释策略.
主要成果:
- 通过YOLO-Lychee-advanced在测试组件上实现了92.2%的精度,85.4%的回忆率和91.7%的mAP50.
- 该模型与YOLOv9t和YOLOv10n相比表现出更高的性能,mAP50-95得分为61.6%,分别超过基线的3.4%和1.7%.
- 保持了37FPS的实时检测速度,后处理优化进一步提高了精度,达到95.5%.
结论:
- "YOLO-Lychee-advanced"在自动检测枝干的损害方面取得了重大进展.
- 该模型的轻量级设计,高精度和实时性能使其适合于实际的农业应用.
- 提供的数据集和可视化工具有助于进一步研究和开发果虫害检测.
