改进YOLOv11n的温室番茄幼苗检测算法OA

针对温室番茄幼苗检测中背景干扰复杂、小目标密集及多尺度适应性不足等问题,提出基于YOLOv11n的三阶段优化算法.首先,引入RepViT主干网络,利用结构重参数化技术优化多尺度特征融合,在保证精度的同时降低计算复杂度;其次,设计多尺度动态注意力(MSDA)模块,通过通道解耦与空间注意力增强特征表达能力;最后,构建基于双向特征金字塔网络(Bi-FPN)的颈部结构,采用双向跨尺度连接提升多尺度特征融合效果.实验结果表明,改进模型在自建数据集上的mAP达98.0%,较传统YOLOv11n提升1.6%,参数量和计算量分别降至2.003×106和5.9 GFLOPs,分别减少22.5%和6.3%.对比YOLOv5～YOLO10系列,该算法在保持最低计算量的同时,mAP平均提升2.3%,精确率和召回率达96.8%和94.7%.该模型通过精度与效率的协同优化,为农业自动化监测提供了兼具轻量化与高精度的解决方案.