基于改进YOLO11的温室环境蓝莓盛花期至果实膨大期目标检测模型YOLO11-ALi

《Frontiers in Plant Science》:YOLO11-ALi: an improved YOLO11-based model for blueberry target detection from full flowering to fruit expansion in greenhouse environments

【字体: 大 中 小 】 时间:2026年07月15日 来源:Frontiers in Plant Science 5.9

编辑推荐:

  蓝莓坐果后花器官的脱落对果实发育和品质至关重要,而封闭高湿的温室环境常导致枯花滞留,对蓝莓生长和商业价值产生不利影响。当前的蓝莓检测技术主要集中在成熟度分类、健康监测和自动采摘上,缺乏对盛花期至果实膨大期复杂目标检测的研究。为此,研究人员提出了YOLO11-A

  
蓝莓坐果后花器官的脱落对果实发育和品质至关重要,而封闭高湿的温室环境常导致枯花滞留,对蓝莓生长和商业价值产生不利影响。当前的蓝莓检测技术主要集中在成熟度分类、健康监测和自动采摘上,缺乏对盛花期至果实膨大期复杂目标检测的研究。为此,研究人员提出了YOLO11-ALi,一种基于YOLO11的改进模型,用于温室盆栽北方高丛蓝莓。对基线模型进行了三项关键改进:用AIFI替换SPPF模块以减少小目标细节损失,将LSKAttention集成到C2PSA中形成C2PSA_LSKA以增强小目标注意力,并将iAFF引入颈部C3k2模块以提高跨层特征融合效率。构建了一个包含4527张覆盖盛花期至果实膨大期的专用数据集,消融实验验证了各模块的作用和协同效应。结果表明,集成模型实现了最优性能:与原始YOLO11相比,精确率、召回率、mAP@50和mAP@50:95分别提高了0.6%、1.8%、1.2%和6.8%,计算复杂度和推理速度满足实时田间检测要求。该模型为温室蓝莓的智能监测和精细化管理提供了可靠的技术基础。
蓝莓具有高营养和经济价值,其坐果期花器官的正常脱落是保障果实健康膨大和减少资源浪费的关键生理过程。然而,温室封闭高湿环境缺乏外力辅助,易导致枯花滞留,不仅通过物理遮挡抑制果实膨大和花青素合成,还成为病原虫害的感染载体,同时降低果穗通风透光性并造成无效养分消耗,最终严重影响蓝莓果实商业品质和植株生长。现有蓝莓检测技术集中于成熟度分类、健康监测和自动采摘,针对盛花期至果实膨大期复杂目标的检测研究存在空白。为此,研究人员提出了YOLO11-ALi模型,基于YOLO11进行三项改进:在骨干网络第9层用自适应信息融合Inception(AIFI)模块替换SPPF模块,减少小目标细节丢失;在第10层将大-小核注意力(LSKAttention)集成到C2PSA中形成C2PSA_LSKA模块,增强小目标注意力聚焦精度;在颈部C3k2模块中引入跨层特征融合(iAFF)模块形成C3k2_iAFF,提升跨层特征融合效率。以北方高丛蓝莓(Vaccinium corymbosum)为研究对象,在山西省温室基质盆栽条件下,从盛花期至果实膨大期每隔3天在30cm、50cm和70cm三个距离采集图像(手机拍摄,分辨率4000×3000像素),经筛选获得1509张原始图像,按8:1:1划分训练/验证/测试集,仅对训练集进行随机翻转、旋转、亮度调整等数据增强,最终得到4527张图像的数据集。标注三类目标:a类(花后果实,残留枯萎黄色花组织)、b类(早期膨大果实,花器官完全脱落且果顶光滑)、c类(盛开花朵,未坐果)。实验环境为NVIDIA GeForce RTX 4080 GPU、64G内存、Windows 10系统、PyTorch 2.2.0(cu118),训练参数:批量16、输入尺寸640像素、初始学习率0.01、余弦退火调度、AdamW优化器(权重衰减0.0005)、自动混合精度、250个epoch。

### 3.1 实验结果
基于上述数据集和环境,测试YOLO11-ALi模型性能。在全部类别上,精确率(P)为91.1%,召回率(R)为84.5%,mAP@50达到93.2%,mAP@50:95达到77.7%。三类目标中,b类(早期膨大果实)表现最优,c类(盛开花朵)次之,a类(残留枯花果实)稍低,差异源于样本识别难度不平衡。计算复杂度为6.7 GFLOPs,推理速度为61.7 FPS,满足实时田间检测要求。训练损失曲线和性能指标曲线显示,模型快速收敛且无过拟合,验证了训练可靠性。

### 3.2 消融实验
为探究AIFI(Module A)、C2PSA_LSKA(Module B)、C3k2_iAFF(Module C)的独立和协同作用,进行消融实验。单独集成AIFI时,召回率和mAP@50:95提升,有效抑制叶片遮挡导致的漏检。单独集成C2PSA_LSKA时,mAP@50:95提升2.5%,擅长提取不同生长阶段蓝莓的细粒度特征。单独集成C3k2_iAFF时,仅mAP@50:95显著提升,优化中高置信度目标特征表示。两两组合时,mAP@50:95提升近5%,表明模块间具有协同互补效应。三者同时集成时达到最优性能:与原始YOLO11相比,P、R、mAP@50和mAP@50:95分别提升0.6%、1.8%、1.2%和6.8%,验证了该组合在温室盆栽北方高丛蓝莓高精度全周期检测中的优越性。

### 3.3 C3k2模块独立与协同效果的控制实验
模型颈部配置四个C3k2模块,分别位于第13、16、19、22层,其中第16层为小目标检测层,第13层为特征过渡层,第19和22层为中和大型目标检测层。实验表明,单独修改任一位置或仅将第13层与另一层协同修改时性能提升有限;删除第13层仅修改其余三层时性能更差,证实第13层不可或缺的特征过渡作用。仅当四层C3k2模块全部协同优化时,模型检测精度和鲁棒性达到最优。

### 3.4 与主流YOLO模型的对比实验
在相同实验环境下,将YOLO11-ALi与YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10和YOLO11进行横向对比。YOLO11在基线模型中表现较优(mAP@50=92.0%,6.3 GFLOPs)。YOLO11-ALi在全部检测指标上显著优于所有基线模型,且三次重复实验的标准差较小,表明性能差异稳定可靠,验证了模型的统计鲁棒性。

### 3.5 不同轻量级特征增强模块的对比实验
为验证AIFI模块的合理性,与SPPFCSPC、SPPELAN、FocalModulation等轻量模块进行对比。AIFI模块在mAP@50(92.0%)和mAP@50:95(71.2%)上均取得最优,有效缓解了传统池化结构导致的小目标细节损失,虽然计算量略高(6.6 GFLOPs),但推理速度(78.2 FPS)仍满足实时部署要求,表明其引入合理有效。

### 3.6 可视化分析
#### 3.6.1 检测结果分析
选取四组图像进行检测可视化对比。YOLO11-ALi在多数场景下目标置信度更高、识别更完整。在强光照背景下,YOLO11-ALi成功识别了其他模型遗漏的盛开花朵;但在底角误将叶片分类为果实。在密集花朵场景中,YOLO11-ALi实现了无遗漏的准确识别。

#### 3.6.2 检测错误与性能分析
通过局部和全场景检测结果以及归一化混淆矩阵评估模型。强光照导致过曝和花朵边缘模糊引发假阳性;低光照下密集花朵分布也导致检测错误。对于发育果实与即将脱落花朵(存在明显空间间隙),模型误分类为完全脱落,暴露了在识别过渡状态上的弱点。混淆矩阵显示,b类精度最高,a类与b类之间因形态相似而存在相互误分类,背景与前景混淆是另一错误来源。

#### 3.6.3 基于热图的视觉解释
热图可视化显示,YOLO11-ALi在目标区域呈现显著高亮度响应,背景区域激活信号弱,显示了卓越的目标-背景区分能力。在复杂背景下,其目标定位更精确,背景无效激活水平最低,尤其在小目标密集区域表现出极强的响应强度,平衡了目标识别灵敏度和背景抑制特异性。

### 4 结论
本研究针对温室基质栽培北方高丛蓝莓盛花期至果实膨大期复杂目标检测精度低的实际问题,提出了改进检测模型YOLO11-ALi。三个改进模块AIFI、C2PSA_LSKA和C3k2_iAFF在蓝莓目标检测中发挥不同且互补的作用:AIFI模块通过减少小目标细节丢失有效抑制遮挡目标的漏检;C2PSA_LSKA模块通过融合大、小核卷积优势增强不同生长阶段蓝莓目标的细粒度特征提取;C3k2_iAFF模块通过强化跨层特征交互优化中高置信度目标的特征表示。三者协同应用实现了检测性能的显著提升,验证了模型改进策略的合理性。同时,构建的涵盖盛花期至果实膨大期三类目标的北方高丛蓝莓数据集有效填补了该研究领域专用数据支持的空白。YOLO11-ALi模型在检测精度与实时性能之间取得了平衡;与基线YOLO11模型相比,核心精度指标显著提升,计算效率满足田间便携设备的部署要求。尽管取得了积极成果,但数据集仅来自单一温室栽培区域,模型对不同蓝莓品种和区域栽培环境的适应性尚需进一步验证。未来研究将扩展多区域、多品种的蓝莓图像数据集,同时对模型进行轻量化优化以进一步降低计算复杂度并提升在边缘计算设备上的部署效率,并探索检测模型与农业物联网(IoT)系统的集成,实现蓝莓生长监测、产量预测与智能管理的一体化,推动蓝莓产业的数字化和智能化发展。YOLO11-ALi模型可有效应用于温室基质栽培北方高丛蓝莓的智能检测与监测,通过准确识别盛花期至果实膨大期的目标类别,为减轻枯花滞留对蓝莓生长和品质的负面影响提供关键技术支撑。此外,其对蓝莓关键生长阶段目标的高精度识别能力,可为后续的蓝莓果实数量统计和生长状态动态评估提供可靠数据基础,辅助蓝莓产量和产值的科学估算。本研究为温室基质栽培蓝莓的精细化管理和决策提供了可行的技术途径,进一步推动了基于深度学习的检测技术在设施蓝莓栽培中的实际应用价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号