不卡中文字幕在线,日韩欧美亚洲天堂,亚洲免费在线精品一区

基于改进YOLOv11的西兰花识别算法研究

电子技术应用

许照昕，胡军国，朱超，高俊

浙江农林大学数学与计算机科学学院

摘要： 针对农地环境中由于遮挡和光线复杂等原因造成的西兰花识别不准确这一系列问题，提出了一种基于YOLOv11的田间西兰花识别模型。首先，该模型引入DLKA（Deformable Large Kernel Attention）注意力机制，将注意力机制融入到C3K2模块当中，形成一个新的模块C3K2_DLKA替换掉原来主干网络中的C3K2模块；其次引用MBConv（Mobile Inverted Bottleneck Convolution）独特的倒置瓶颈结构的优势融入到YOLOv11的检测头中，将原网络中的检测头替换为Detect_MBConv检测头，在目标检测任务中不仅能够更精准地识别目标，还能在计算资源有限的情况下快速响应。最后，更换损失函数为Shape-IoU，增强了模型的收敛性和稳定性。实验表明，改进后的模型与原模型相比准确率提升了4.8%，召回率提升了3.8%，mAP值提升了1.9%，体现了改进算法的有效性。

關鍵詞： 西兰花 YOLOv11 DLKA MBConv Shape-IoU

中圖分類號：TP391.4；S24 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256978
中文引用格式： 許照昕，胡軍國，朱超，等. 基于改進YOLOv11的西蘭花識別算法研究[J]. 電子技術應用，2026，52(5)：68-73.
英文引用格式： Xu Zhaoxin，Hu Junguo，Zhu Chao，et al. Research on broccoli recognition algorithm based on improved YOLOv11[J]. Application of Electronic Technique，2026，52(5)：68-73.

Research on broccoli recognition algorithm based on improved YOLOv11

Xu Zhaoxin，Hu Junguo，Zhu Chao，Gao Jun

College of Mathematics and Computer Science， Zhejiang A&F University

Abstract： In response to the series of problems of inaccurate broccoli identification caused by occlusion and complex light in farmland environments, a field broccoli identification model based on YOLOv11 is proposed. Firstly， this model introduces the Deformable Large Kernel Attention(DLKA) attention mechanism, integrates the attention mechanism into the C3K2 module, forming a new module C3K2_DLKA to replace the C3K2 module in the original backbone network. Secondly, the advantages of the unique inverted bottleneck structure of Mobile Inverted Bottleneck Convolution(MBConv ) are incorporated into the detection head of YOLOv11, and the detection head in the original network is replaced with the Detect_MBConv detection head. In the object detection task, it can not only identify the target more accurately, but also respond quickly with limited computing resources. Finally, the loss function is replaced with Shape-IoU to enhance the convergence and stability of the model. Experiments show that the improved model has improved accuracy by 4.8%, the recall by 3.8%, and the mAP value has increased by 1.9%, reflecting the effectiveness of the improved algorithm.

Key words : broccoli；YOLOv11；DLKA；MBConv；Shape-IoU

引言

西蘭花又名青花菜，營養豐富具有防癌抗癌的功效，西蘭花對高血壓、心臟病有調節和預防的作用。目前在美國、中國和日本等國家都有一定量的種植[1]。西蘭花生產目前以人工種植和人工采摘為主，2024年西蘭花種植面積約為450~480 khm2，約占人工蔬菜種植總面積的2.05%。

西蘭花采摘是西蘭花生產中重要的環節之一,目前西蘭花采摘以人工作業為主，存在工作效率、人力成本較高、采摘不及時等問題[2]。由于西蘭花頭所處環境光照復雜，西蘭花葉子具有無序生長特性，西蘭花頭存在遮擋問題，使得精確獲取西蘭花目標的空間位置變得非常困難。因此，準確獲西蘭花空間位置和特征信息取位對采摘機器人的開發具有重要意義[3-4]。

目前，基于深度學習的目標檢測技術已廣泛應用于作物分類、水果缺陷檢測、水果病蟲害檢測等領域[5-6]。同時，目標檢測算法也是采摘機器人視覺系統的重要組成部分。許多研究試圖將各種目標檢測網絡應用于采摘任務。KUZNETSOVA A等[7]基于YOLOv3開發了一個用于檢測果園中蘋果的機器視覺系統。楊震宇等[8]提出了一種基于YOLOv8-pose的草莓識別與果梗采摘關鍵點檢測方法，使草莓采摘機器人能夠在自然環境中準確地檢測和定位草莓，這可以顯著提高草莓的檢測速度。ZUO Z等[9]認為西蘭花成熟度是采摘西蘭花的關鍵因素，因此他們使用輕量化檢測提出一種基于LBDC-YOLO模型。該分類為西蘭花采摘機器人提供了參考。但是，基于RGB圖像的目標檢測對于蔬菜采摘任務缺乏基本深度信息。

為了增加目標檢測精度和提高目標的特征提取能力，本文對YOLOv11網絡進行了改進。首先，引入DLKA注意力機制，將DLKA融入到C3K2模塊當中，采用改進后的C3K2_DLKA模塊替代了原主干網絡中的C3K2模塊。其次，利用EfficientNet中的移動倒置瓶頸模塊MBConv改進檢測頭，在Detect模塊的基礎上，加入MBConv模塊，將檢測頭替換成Detect_MBConv。最后，采用Shape-IoU損失函數來增強模型的收斂性和穩定性。

本文詳細內容請下載：

http://m.tom3567.com/resource/share/2000007074

作者信息：

許照昕，胡軍國，朱超，高俊

（浙江農林大學數學與計算機科學學院，浙江杭州 310000）

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容