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

Para abordar los desafíos de la oclusión hoja-rama, la oclusión mutua de frutas, la interferencia de fondo complejo y las variaciones de escala en la detección de duraznos en entornos de huertos complejos, este estudio propone un método de detección de duraznos mejorado basado en YOLOv11n llamado SDA-YOLO. Primero, en la red base, 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 ocluidos. El bloque DyHead se integra en la cabeza de detección para formar un módulo DMDetect, fortaleciendo la discriminación de características para objetivos pequeños y ocluidos en fondos complejos. Para abordar la flexibilidad insuficiente en la fusión de características causada por variaciones de escala debido a la oclusión y las diferencias de iluminación en la detección de duraznos multiescala, se propone un nuevo módulo de pirámide de fusión multiescala adaptativa (AMFP) para mejorar la red de cuello, aumentando la flexibilidad en el procesamiento de características complejas. Los resultados experimentales demuestran que SDA-YOLO alcanza una precisión (P), recuperación (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 de huertos complejos y proporciona un apoyo técnico eficaz para la recolección inteligente de frutas y la estimación de rendimiento.