无人机遥感视频影像结合改进YOLO11的柑橘追踪计数方法OA

针对无人机遥感尺度下,柑橘估产过程中存在跟踪计数误差大的问题,该研究提出一种轻量化YOLO11-PMSL模型与ByteTrack-DIoU算法相融合的无人机视频流柑橘果实跟踪计数方法。首先,在YOLO11n架构的基础上,通过重构特征金字塔结构,将检测头层级精简为P2~P4三级结构,以增强微小目标感知能力;其次,引入C3k2-MSEIE(C3k2-multi-scale edge information enhance)多尺度边缘增强模块,通过自适应尺度融合与轮廓强化机制,以提升果实轮廓表征能力;进一步,采用SIoU(scylla-IoU)损失函数替代CIoU(complete-IoU)损失函数,引入方向敏感性约束以期提升检测框定位质量与训练稳定性,最后,通过LAMP(layer adaptive magnitude-based pruning)方法模型剪枝,去除冗余的权重,以减少参数量和浮点运算量,压缩模型体积。在ByteTrack-DIoU算法中嵌入区域计数防抖机制,进一步解决遮挡导致的ID跳变问题。结果表明,改进后YOLO11-PMSL目标检测模型精确率(P)、均值平均精度(mAP_(0.5))分别提高3.3、9.3个百分点。剪枝后,与原始的YOLO11n相比,在保持精度总体提升的同时,模型的参数量、浮点运算量和模型大小分别降低了86.05%、26.98%和76.36%,检测速度由84.83帧/s提高到140.12帧/s。与传统SORT、DeepSORT和BotSORT算法相比,ByteTrack-DIoU算法的多目标跟踪准确率分别提高5.5、5.7和4.3个百分点,跟踪计数平均精度达88.4%。该方法可准确实现果园柑橘果实的跟踪计数,为柑橘产量预测提供有效的技术方案。