基于改进YOLOv11s算法的田间蓝靛果成熟度检测方法OA

蓝靛果在田间生长时存在不同成熟度果实聚簇、枝叶部分遮挡、光照强弱多变等复杂情况影响图像特征识别提取。为了提高田间环境下蓝靛果果实成熟度识别精度和准确性,该研究基于YOLOv11s算法提出YOLOv11s-ACM检测模型。首先针对田间蓝靛果成熟度检测准确性不高的问题,在主干网络引入基于注意力的尺度内特征交互模块(attention-based intrascale feature interaction,AIFI),通过添加全局内容自适应的注意力机制,提高田间蓝靛果成熟度检测准确度。其次,将主干网络的C3K2卷积替换为C3K2结构融合动态蛇形卷积(C3K2-dynamic snake convolution,C3K2-DySnakeConv),通过残差连接与动态特征聚合,增强模型对有遮挡、低光强场景的适应能力,提高田间环境下对不规则形状蓝靛果的检测能力。最后,引入多分离与增强注意力模块检测头(multi-separated and enhancement attention module head,MultiSEAMHead),增强模型对田间环境下多尺度特征检测的密集目标检测能力。与YOLOv11s模型对比,改进的YOLOv11s-ACM模型的平均精度均值(mean average precision,mAP)提高了4.5个百分点、单张图片推理时间缩短了27%。移动端部署验证了YOLOv11s-ACM模型对田间环境下蓝靛果果实成熟度检测准确度和可行性,研究结果为后续蓝靛果智能化采摘提供技术支持。