Detecção de Peras em Ambientes Complexos de Pomares Baseada no YOLO11 Aprimorado

Para abordar os problemas de baixa precisão de detecção e pouca adaptabilidade em ambientes complexos de pomares (como condições de iluminação variáveis, oclusão de ramos e folhas, sobreposição de frutas e alvos pequenos), este artigo propõe um modelo de detecção de peras aprimorado baseado no YOLO11, chamado YOLO11-Pear. Primeiro, para melhorar a capacidade do modelo em detectar peras ocluídas, o módulo C2PSS é introduzido para substituir o módulo C2PSA original. Em segundo lugar, uma camada de detecção de alvos pequenos é adicionada para melhorar a capacidade do modelo de detectar peras pequenas. Por fim, o processo de upsampling é substituído pelo DySample, que não apenas mantém uma alta eficiência, mas também melhora a velocidade de processamento e expande o alcance de aplicação do modelo. Para validar a eficácia do modelo, foi construído um conjunto de dados de imagens de peras Qiu Yue e peras Cui Guan. Os resultados experimentais mostraram que o modelo YOLO11-Pear aprimorado alcançou valores de precisão, recall, mAP50 e mAP50–95 de 96,3%, 84,2%, 92,1% e 80,2%, respectivamente, superando o YOLO11n em 3,6%, 1%, 2,1% e 3,2%. Com apenas um aumento de 2,4% no número de parâmetros em comparação com o modelo original, o YOLO11-Pear permite a detecção rápida e precisa de peras em ambientes complexos de pomares.