基于改进YOLOv11n模型的自然场景下金桔果实检测OA
针对金桔果实尺寸不同和易被枝叶遮挡导致果实识别难的问题,提出了一种快速、准确的金桔检测新模型—YOLO-RCC。首先,使用RGCELAN模块替换YOLOv11n模块中的C3k2模块,减少了模型的参数量,提高了模型对特征的提取效率;其次,引入SFRFPN优化原金字塔网络,增强了模型对不同大小和遮挡果实的识别能力;再次,增添CAFM模块,且在其中引入SE注意力机制,有效提升了模型对于金桔的感知能力,且优化了模型的特征交互机制;最后,使用EIoU损失函数替换YOLOv11n网络模型中的CIoU损失函数,将纵横比的影响因子拆分为对目标框、锚框宽度与高度的计算,提升了网络的收敛速度。试验结果表明:YOLO-RCC模型在测试集上的精确率和平均精度均值分别为84.1%、88.1%,相较于YOLOv11n模型分别提升了0.4、1.2个百分点;相比于其他主流模型YOLOv5、YOLOv7、YOLOv8n、YOLOv9t与YOLOv10n,mAP 50分别提升了1.5、0.9、2.1、1.2、1.3个百分点。该研究提出的YOLO-RCC模型检测准确度高,可实现对复杂自然场景下金桔果实的有效检测。
李卓;雷军乐;游斌盛;王佳;秦建华;万保雄
桂林理工大学广西高校先进制造与自动化技术重点实验室,广西桂林541006 广西智能橡胶装备工程研究中心,广西桂林541006 桂林理工大学机械与控制工程学院,广西桂林541006桂林理工大学广西高校先进制造与自动化技术重点实验室,广西桂林541006 广西智能橡胶装备工程研究中心,广西桂林541006 桂林理工大学机械与控制工程学院,广西桂林541006桂林理工大学广西高校先进制造与自动化技术重点实验室,广西桂林541006 广西智能橡胶装备工程研究中心,广西桂林541006 桂林理工大学机械与控制工程学院,广西桂林541006桂林理工大学广西高校先进制造与自动化技术重点实验室,广西桂林541006 广西智能橡胶装备工程研究中心,广西桂林541006 桂林理工大学机械与控制工程学院,广西桂林541006桂林理工大学广西高校先进制造与自动化技术重点实验室,广西桂林541006 广西智能橡胶装备工程研究中心,广西桂林541006 桂林理工大学机械与控制工程学院,广西桂林541006广西特色作物研究院广西桂北特色经济作物种质创新与利用重点实验室,广西桂林541004
信息技术与安全科学
金桔果实检测YOLOv11nYOLO-RCC深度学习图像处理
《农机化研究》 2026 (12)
P.172-180,9
广西自然科学基金项目(2021GXNSFAA220091)国家现代农业产业技术体系广西创新团队项目(nycytxgxcxtd-2023-13-02)。
评论