基于DD-MA-YOLOv11的设施番茄花穗检测与花朵状态识别方法OA
针对设施番茄花果期管理中花穗与花朵目标尺度小、背景复杂、遮挡严重,且单阶段检测方法难以同时兼顾花穗精准定位与花朵状态精细识别的问题,该研究提出了一种基于DD-MA-YOLOv11的级联识别网络。该网络以整株番茄图像作为输入,第一级通过引入DLKA注意力机制与Dynamic Head动态检测头增强YOLOv11的小目标检测能力,实现花穗区域的准确定位;第二级针对复杂背景下花朵状态差异细微、易受遮挡干扰的识别任务,以MobileNetV4作为主干网络,并结合ATFL焦点损失函数,实现花朵状态的高精度识别。试验结果表明,第一级DD-YOLOv11模型在花穗检测任务中,精确率、召回率、mAP@0.5及F1分数分别为95.27%、90.35%、94.19%、92.73%,较原模型提升4.02、5.25、8.49和4.66个百分点。第二级MA-YOLOv11模型在花朵状态识别任务中,精确率、召回率、mAP@0.5及F1分数分别较原模型提升了5.24、2.97、5.31和4.07个百分点,整体级联模型在单输入条件下的处理效率为38.4帧/s,满足实时处理要求。该模型实现了花穗检测与花朵状态识别,可为番茄的授粉、摘心等农事操作提供依据。
高雅楠;柳平增;张宇轩;朱珂;张艳;于群;温孚江
山东农业大学信息科学与工程学院,泰安271018 农业农村部黄淮海智慧农业技术重点实验室,泰安271018 山东农业大学农业大数据研究中心,泰安271018山东农业大学信息科学与工程学院,泰安271018 农业农村部黄淮海智慧农业技术重点实验室,泰安271018 山东农业大学农业大数据研究中心,泰安271018山东农业大学信息科学与工程学院,泰安271018 农业农村部黄淮海智慧农业技术重点实验室,泰安271018 山东农业大学农业大数据研究中心,泰安271018山东农业大学信息科学与工程学院,泰安271018 农业农村部黄淮海智慧农业技术重点实验室,泰安271018 山东农业大学农业大数据研究中心,泰安271018山东农业大学信息科学与工程学院,泰安271018 农业农村部黄淮海智慧农业技术重点实验室,泰安271018 山东农业大学农业大数据研究中心,泰安271018山东农业大学信息科学与工程学院,泰安271018 农业农村部黄淮海智慧农业技术重点实验室,泰安271018 山东农业大学农业大数据研究中心,泰安271018山东农业大学信息科学与工程学院,泰安271018
农业科技
设施番茄花穗检测花朵状态识别级联目标检测YOLOv11
《农业工程学报》 2026 (12)
P.227-238,12
山东省重点研发计划项目(2022TZXD0030)中央引导地方科技发展专项资金项目(YDZX2022073)。
评论