基于改进YOLOv11的轻量级草莓成熟度检测方法OA

为解决温室环境下草莓果实因遮挡、光照多变及密集生长导致的成熟度检测精度不足问题,提出一种基于改进YOLOv11的轻量化草莓成熟度实时检测方法。该方法在YOLOv11主干网络第12层嵌入高效通道注意力(ECA)机制,通过动态调整通道权重增强对果实关键特征的提取能力。在颈部网络采用slim-neck结构,将GSConv替代传统卷积,并引入轻量级跨阶段部分网络VoVGSCSP模块替代原C3k2,减小运算压力同时有效降低模型大小;融合双向特征金字塔(BiFPN)优化多尺度特征融合,尤其对草莓的颜色和纹理等重要特征进行强化。最后,将检测头替换为EfficientDetHead,可有效和BiFPN协同合作训练,最大化多尺度特征,显著提高模型精度。使用自建温室草莓数据集评估表明,改进模型YOLO的平均精度均值达97.8%,模型大小为3.5MB。与原始YOLOv11相比,平均精度均值提高4.6%,参数量和浮点计算量分别减少35.4%和27.4%,模型大小减小32.7%,推理速度提升约12.5%。该轻量化方法可快速准确识别复杂温室环境中的草莓成熟度,为草莓种植的智能化管理提供有效技术方案。