基于改进的YOLOv11n模型的蓝莓远距离检测方法

《IEEE Access》：A Long-Range Detection Method for Blueberries Based on an Improved YOLOv11n Model

　　

摘要：

近年来，中国的蓝莓种植面积持续扩大。准确识别成熟的蓝莓对于实现智能采摘至关重要，因为这可以通过量化图像中的成熟度分布来确定最佳的采摘时机。为了解决在复杂果园环境中远距离蓝莓检测精度低的问题，本研究提出了一种改进的基于YOLOv11n的检测模型，称为ACC-YOLO。该模型在主干网络中集成了Adown模块，并在中层引入了卷积块注意力模块（CBAM）以增强特征表示和定位能力。在颈部网络中加入了颜色感知注意力（CAA）模块，通过对蓝色通道进行权重初始化来提高模型识别蓝莓典型颜色的能力。此外，在颈部网络的C3k2模块中嵌入了通用倒瓶颈（UIB）模块，以增强模型对聚集和遮挡果实的适应能力。采用WIoUv3损失函数来改善不同果实尺寸下的边界框回归效果。基于自构建的长距离图像数据集，该模型在保持高效率的同时，实现了92.6%的成熟蓝莓检测精度，显著提升了其在实际应用中的可行性。消融实验表明，与基线YOLOv11n相比，AP50指标提高了4.6%。