使用改进的YOLOv11模型精确检测和估计桃树花朵的密度
Jiangtao Ji1, Xiaoxuan Lu1, Hao Ma1
1College of Agricultural Equipment Engineering, Henan University of Science and Technology, Luoyang, Henan, China.
Frontiers in plant science
|March 6, 2026
概括
这项研究介绍了MDI-YOLOv11,这是一种用于检测桃花朵的增强模型,通过在复杂的果园条件下通过精确的花朵和芽识别来提高产量和质量. 该模型通过生成花朵密度图来支持精细的果园管理.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 园艺园艺 园艺园艺
背景情况:
- 通过科学花和果园管理来优化果实产量和质量,准确检测桃花花朵是至关重要的.
- 现有的检测方法面临的挑战是由于可变的照明,密集的遮蔽,以及在现实世界果园环境中的尺度差异.
研究的目的:
- 开发一个增强的YOLOv11s桃花花朵的检测模型 (MDI-YOLOv11),以准确稳定地识别花朵和芽.
- 通过解决小目标检测和特征融合,提高复杂果园环境中的检测精度和适应性.
主要方法:
- 拟议的MDI-YOLOv11模型结合了部特征融合结构和脊柱特征注意力机制的协作设计.
- 集成的RFCAConv模块在骨干中用于突出区域的灵敏度和P2层与RepGFPN在子中用于增强的多尺度特征融合.
- 在一个自建的数据集上进行系统评估,包括1008张图像和41,962个标记的实例,使用五倍交叉验证.
主要成果:
- 对于桃花花朵的检测,MDI-YOLOv11实现了高性能,AP50为0.919和AR50为0.964.
- 该模型展示了高效的处理,每个图像的检测时间为13.46ms,参数为1097万,模型大小为21.51MB.
- 与YOLOv11s模型相比,MDI-YOLOv11显示AP50和AR50的增加为0.033,在检测性能和复杂性方面表现优于YOLOv11m.
结论:
- MDI-YOLOv11模型能够高效准确地检测桃花和花蕾,即使在具有挑战性的果园条件下.
- 生成的花朵密度分布图提供了直观的空间洞察力,支持精细的果园管理策略.
- 拟议的方法为桃子种植的精密农业提供了有效的技术支持.
