SDA-YOLO: Un método de detección de objetos para frutas de durazno en entornos complejos de huertos

Para abordar los desafíos de la oclusión de hojas y ramas, la oclusión mutua de frutas, la interferencia de fondos complejos y las variaciones de escala en la detección de duraznos en entornos complejos de huertos, este estudio propone un método de detección de duraznos basado en YOLOv11n mejorado, llamado SDA-YOLO. Primero, en la red backbone, se integra el módulo LSKA en el módulo SPPF para construir un módulo de fusión SPPF-LSKA, mejorando la representación de características multiescala para los objetivos de durazno. En segundo lugar, una función de pérdida de regresión de caja delimitadora basada en MPDIoU reemplaza a CIoU para mejorar la precisión de localización para duraznos superpuestos y ocluídos. El Bloque DyHead se integra en la cabeza de detección para formar un módulo DMDetect, fortaleciendo la discriminación de características para objetivos pequeños y ocluídos en fondos complejos. Para abordar la insuficiente flexibilidad de fusión de características causada por las variaciones de escala debido a la oclusión y las diferencias de iluminación en la detección de duraznos multiescala, se propone un nuevo módulo Pirámide de Fusión Multiescala Adaptativa (AMFP) para mejorar la red de cuello, mejorando la flexibilidad en el procesamiento de características complejas. Los resultados experimentales demuestran que SDA-YOLO logra una precisión (P), un recall (R), mAP@0.95 y mAP@0.5:0.95 de 90.8%, 85.4%, 90% y 62.7%, respectivamente, superando a YOLOv11n en 2.7%, 4.8%, 2.7% y 7.2%. Esto verifica la robustez del método en entornos complejos de huertos y proporciona apoyo técnico eficaz para la recolección inteligente de frutas y la estimación del rendimiento.