基于YOLOv11的草莓外部品质全果面检测及分级OA

针对现有草莓外部品质检测方法存在全果面信息获取不完整、检测实时性不足等问题,该研究提出一种基于改进YOLOv11n-seg的草莓全果面外部品质检测与分级方法。首先,为获取草莓全果面图像,设计了一套多角度视觉悬挂式检测系统。其次,为满足实时检测需求,采用MobileNetV4替换骨干网络实现轻量化、引入卷积块注意力模块(convolutional block attention module,CBAM)注意力机制增强对草莓果肉中微小瘀伤、未成熟区域等关键的特征感知能力、并采用EIoU(efficient intersection over union)损失函数优化边界框定位,对YOLOv11n-seg进行改进,实现对草莓果肉中成熟无瘀伤区、未成熟区及瘀伤区等区域的精准分割。基于分割掩膜提取不同语义区域面积,计算果肉着色率及瘀伤面积占比,以实现成熟度与瘀伤分级;提取果肉几何形态特征参数,并结合多元线性回归(multiple linear regression,MLR)与随机森林(random forest,RF)模型分别实现质量预测与形状分级;最后融合多指标完成草莓品质分级。试验结果表明,改进的YOLOv11n-SMCE模型对草莓果肉中不同语义区域分割掩膜的总类别精确率、召回率、平均精度均值mAP_(0.5)和mAP_(0.5~0.95)分别为95.3%、91.5%、96.2%和68.7%,较原有YOLOv11n-seg模型分别提高了3.8、1.3、1.1、1.7个百分点,浮点运算量由10.4 G降低至8.4 G。草莓成熟度、瘀伤检测准确率分别为94.0%、91.5%;MLR质量预测模型决定系数和均方根误差分别为0.93和2.59 g;RF形状分级模型多视角准确率达89.0%。建立的自动化分级处理系统分级准确率为91.0%,平均单果检测时间为28.8 ms,满足草莓产后自动化分级的实时性与精度需求。研究可为草莓外部品质全果面检测及分级提供参考。