基于FAF-YOLO v11的枸杞果实计数OA

为快速准确地实现自然环境中枸杞果实的快速识别计数,解决目标尺度较小、分布密集、果实相互遮挡以及复杂的背景干扰等检测难点,提出FAF-YOLO v11模型,以基于部分卷积(PConv)的FasterNet作为模型轻量级主干网络,简化计算复杂度和内存占用率,在保证较强特征提取的同时不显著降低特征提取的力度,从而提升模型运行效率。考虑到小尺寸、密集分布的枸杞容易造成模型误检、漏检的问题,引入渐近特征金字塔网络(AFPN),使模型逐层交叉融合多尺度特征,解决不同语义层级之间的鸿沟问题,提升模型对多尺度目标的感知能力。针对目标定位损失,采用Focaler-IoU损失函数取代传统IoU损失函数,通过关注“难看”样本的策略以及梯度提升策略,促进边界框回归精确度的提升。在包含383张原始图像并经扩充增强的1 532张图像数据集上进行系统对比试验。结果表明,本研究提出的FAF-YOLO v11,针对枸杞果实计数这一任务获得84.0%的精确率、73.6%的召回率、82.0%的mAP@0.5,与原始的YOLO v11相比,分别提高2.4、2.6、7.5百分点;相比主流的Faster-RCNN、YOLO v5、SSD、YOLO v4模型,其精确率分别提升了8.2、2.0、6.0、8.0百分点。该方法适用于稀疏和密集场景的果实目标检测,能够在不同程度的重合和遮挡下较准确地定位目标物体。本研究提出的FAF-YOLO v11算法在保证较高推理效率的同时又能达到较高的枸杞计数准确率,对于小目标的农业检测起到一定的参考作用。