CD-YOLO:基于改进YOLOv11s的田间胡萝卜苗检测方法OA

[目的/意义]枝叶遮挡是田间胡萝卜苗精准识别的主要挑战,对此开发一种轻量、高效的检测模型,以实现田间遮挡条件下胡萝卜苗的精准鲁棒识别。[方法]提出了一种基于改进YOLOv11s(You Only Look Once)的轻量化检测方法CD-YOLO(Carrot Detection-YOLO)。首先,为降低模型复杂度,将主干网络中的部分标准卷积替换为深度可分离卷积,以减少计算量与参数量;其次,在C3k2模块中引入高效多尺度注意力机制(Efficient Multi-Scale Attention,EMA),构建C3k2_EMA模块,增强模型对关键特征的动态感知能力,从而抑制背景与遮挡噪声;最后,采用动态检测头,强化模型对不同尺度特征的融合与感知,进一步提升检测鲁棒性。[结果和讨论]结果表明:CD-YOLO模型的计算量和模型大小相较于YOLOv11s分别降低了6.2 GFLOPs和4.8 MB,单张图像推理速度提升了4.7 ms,准确率、召回率与平均精度分别提高了3.0、1.5和2.4个百分点;在应对枝叶遮挡方面,CD-YOLO的漏识率为13.4%,较YOLOv11s下降了5.7个百分点;将模型部署于边缘算力设备,在随机选取的胡萝卜苗图像上进行测试,漏识率和误识率分别为5.1%和2.7%。[结论]CD-YOLO模型在保持轻量化的同时,有效提升了田间胡萝卜苗的检测精度与速度,特别是在应对枝叶遮挡方面表现优异。该研究可为胡萝卜自动化育苗过程中的出苗率统计与精准管理提供可靠的技术支持。