改进了YOLOv11n-seg用于机械采摘甘中的杂质检测
Fengguang He1,2, Sili Zhou1,2, Pinlan Chen1,2
1Agricultural Machinery Research Institute, Chinese Academy of Tropical Agricultural Sciences, Zhanjiang, Guangdong, China.
Frontiers in plant science
|March 6, 2026
概括
这项研究引入了一种改进的YOLOv11n-seg模型,用于机械采摘的甘中智能检测杂质. 改进的模型实现了高精度和实时性能,支持质量评估和市场定价.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 机械采摘的甘中的杂质含量显著影响收获质量和市场价值.
- 准确和高效的杂质检测对于自动化质量评估至关重要.
- 现有的方法可能缺乏实时现场应用所需的精度或速度.
研究的目的:
- 为机械采摘的甘开发一种智能杂质检测方法.
- 增强YOLOv11n-seg模型,以提高细分精度和实时性能.
- 为现场污染率检测和质量评估提供强大的解决方案.
主要方法:
- 一个改进的YOLOv11n-seg模型整合了四个增强模块:C2_Ghost,C2_FSAS,高效通道注意力 (ECA) 和动态 DySample 升级采样.
- C2_Ghost模块用于降低计算复杂性和功能冗余性.
- C2_FSAS用于频域建模,ECA用于自适应特征重权,DySample用于边缘特征恢复.
主要成果:
- 改进的YOLOv11n-seg实现了高分段性能:97.0% (P),98.1% (R),99.2% (mAP0.5),和82.9% (mAP0.5:0.95) 的高分段性能.
- 在mAP0.5:0.95中实现了1.8%的改善,参数减少了10.2%,并保持了34.8 FPS的推断速度.
- 证明了增强的边界划分精度和阶级间的歧视,验证了四个模块的协同设计.
结论:
- 改进的YOLOv11n-seg模型为甘杂质检测提供了细分精度和实时性能之间的良好平衡.
- 拟议的方法允许精确细分甘和各种杂质类型,支持智能质量评估.
- 为边缘计算平台的实际部署提供可靠的技术支持,用于自动检测杂质率.
