基于YOLO-AIFI的蓝莓成熟度与果簇识别方法OA

针对蓝莓串果成熟度不一致、采收果实混杂导致品质下降的问题,为实现蓝莓果簇的自动化识别,本文提出一种基于YOLO11n改进的蓝莓成熟度识别方法YOLO-AIFI。该方法在YOLO11n的基础上引入3项关键改进:采用动态幻影卷积模块减少特征冗余,引入动态上采样模块增强特征分辨率,并集成AIFI(基于注意力的尺度内特征交互)注意力机制以强化全局特征交互能力。以YOLO-AIFI检测的蓝莓果实空间位置作为基础,将检测到的蓝莓果实位置坐标作为空间点集,利用k-means聚类算法无监督地识别出完整的蓝莓果簇结构。在自行采集的3346张蓝莓图像数据集上进行试验验证,结果表明,YOLO-AIFI在测试集上的精度高达85.0%,召回率达到了78.9%,交并比(IoU)阈值为0.5时的平均精度(mAP@0.5)达到82.5%,比YOLO11n模型分别提升3.0、3.4、2.8百分点。该方法在复杂光照、遮挡及密集小目标场景下仍保持较高检测精度,性能显著优于YOLOv5n等主流轻量模型。同产地跨天气、跨场景的非数据集验证及嵌入式设备实际部署验证结果表明,模型对成熟度的检测具有良好的泛化能力与实际应用适配性。在YOLO-AIFI模型输出高精度离散果实检测集合的基础上,k-means聚类算法将空间上彼此邻近的果实中心点自动归并为同一果簇,实现了在自然环境下对蓝莓果簇的识别与定位,为蓝莓自动化采收提供了有效的视觉检测方案。