EA 亮文解读丨基于改进YOLOv11轻量化模型的番茄成熟度检测方法。论文标题：Tomato ripeness detection method based on improved YOLOv11 lightweight mode
期刊：ENGINEERING Agriculture
作者：Dongyang WANG, Zhijie FANG, Man MO, Jinchong GAN, Zijun SUN
发表时间：22 Sept 2025
DOI：10.15302/J-FASE-2025657
微信链接：点击此处阅读微信文章
论文ID
Tomato ripeness detection method based on improved YOLOv11 lightweight model
基于改进YOLOv11轻量化模型的番茄成熟度检测方法
文章类型：Research Article
第一作者：王东阳
通讯作者：方志杰，孙子君
Email: nnfang@semi.ac.cn, sunzijun@gxust.edu.cn
作者单位：广西科技大学电子工程学院
Cite this article :
Dongyang WANG, Zhijie FANG, Man MO, Jinchong GAN, Zijun SUN. Tomato ripeness detection method based on improved YOLOv11 lightweight model. Front. Agr. Sci. Eng., 2026, 13(3): 25657 DOI:10.15302/J-FASE-2025657
· 文 章 摘 要 ·
为了解决现实世界中番茄成熟度检测所面临的挑战，如光照条件变化、背景复杂以及在准确性与模型轻量化之间的权衡问题，本研究提出了一种轻量化YOLOv11-MHS模型。该模型的改进主要体现在三个方面：(1) 设计了C3k2_MSCB模块，该模块集成了多尺度卷积块以进行多尺度特征提取和融合，从而提高了检测精度；(2) 将模型的颈部重新设计为高级筛选特征融合金字塔结构，该结构融合关键特征以提高在杂乱环境中的鲁棒性，同时减小模型体积；(3) 通过引入空间和通道协同注意力机制增强了C2PSA模块，以提高模型处理复杂场景的能力。在相同数据集上的实验结果表明，与基线模型YOLOv11n相比，YOLOv11-MHS 在mAP0.5上提升了1.7%，在mAP0.5-0.95上提升了2.9%，同时参数量和模型大小分别减少了35.2%和32.7%。这些结果表明，YOLOv11-MHS在番茄成熟度检测中兼具出色的准确性和轻量化性能，为农业应用提供了技术支持。
· 文 章 亮 点 ·
1. 提出了一种用于番茄成熟度检测的轻量化YOLOv11-MHS模型。
2. 设计了C3k2_MSCB模块，通过多尺度特征提取与融合提升检测精度。
3. 重构了颈部结构，提高了在杂乱环境中模型的鲁棒性并实现了模型轻量化。
4. 集成了空间和通道协同注意力机制，提升了模型对复杂场景的适应能力。
5. 与YOLOv11n相比，新模型的参数量和体积减少了约三分之一。
· Graphical abstract ·
· 主 要 内 容 ·
▎引言
番茄是全球重要经济作物，果实采收时的成熟度对其品质与效益至关重要。然而，番茄生长过程中普遍存在的异步成熟现象，即同一植株上不同果实的成熟进程不一致，使得规模化生产中对最佳采收窗口的判断变得尤为复杂。传统依赖人工经验的田间观察与分选方法效率较低、劳动强度大，难以适应现代化农业对精准、高效作业的需求。
随着人工智能技术的发展，基于深度学习的目标检测算法为农业自动化提供了技术路径。以YOLO系列为代表的目标检测模型，凭借优秀的实时性能和较高的检测精度，已在苹果、柑橘等多种作物的果实识别与分级任务中得到成功验证。然而，将这项技术直接应用于露天自然环境下的番茄成熟度检测，仍面临严峻挑战：首先，自然光照的强度、角度和色温时刻变化，会严重干扰果实颜色这一关键成熟度指标的稳定提取；其次，田间环境复杂，枝叶遮挡、土壤与杂草构成的复杂背景，都会对目标的完整定位和特征识别造成干扰；此外，一些表现良好的高精度模型往往计算复杂度高、参数量大，难以满足田间移动设备或嵌入式系统的应用需求。
因此，研究一种能够在复杂自然条件下保持高精度，同时兼具轻量化特性的番茄成熟度检测方法，对于推动智慧农业技术落地、支持自动化采收与精准分级具有重要意义。
▎YOLOv11-MHS模型
为攻克自然环境下番茄成熟度检测所面临的光照多变、背景复杂及模型部署资源受限等多重挑战，本研究在YOLOv11n为基线模型基础上，提出了一种新的轻量化模型YOLOv11-MHS，其网络结构如图1所示。该模型的改进如下：首先，在骨干网络中引入了C3k2_MSCB模块，通过引入多尺度深度卷积与通道交互机制，增强了模型对果实多尺度视觉特征的提取能力，缓解了光照不均与部分遮挡带来的干扰；其次，将颈部网络重构为高级筛选特征融合金字塔结构，该结构通过嵌入通道注意力实现特征自适应筛选，并优化了跨层级的语义与细节信息融合流程，从而在提升模型对复杂背景辨别力的同时，降低了计算冗余；最后，将空间与通道协同注意力机制融入原有的C2PSA模块，进一步提升了对小目标及密集果实的定位与分类精度。这些改进模块相互配合，共同使YOLOv11-MHS在实现检测精度显著提升的同时，减少了参数量与模型体积，最终达成了高精度与轻量化特性的有效统一，为在边缘设备上实现番茄成熟度检测提供了支持。
图1 YOLOv11-MHS网络结构。
▎实验结果与分析
为全面评估YOLOv11-MHS模型的性能，本研究在番茄成熟度数据集上进行了系统的实验验证。该数据集包含23,670个有效标注样本，涵盖了自然场景下不同成熟度、多种光照条件及遮挡情况的番茄图像。
1. 消融实验
为验证各改进模块的具体贡献，我们设计了系统的消融实验，结果汇总于表1。实验以原始YOLOv11n模型为基线模型，逐步引入C3k2_MSCB、HS-FPN和C2PSA_SCSA改进模块。结果表明，每个模块均对性能有正向提升。当三个模块共同作用时，模型达到最优性能。改进模型与基线相比，精确率提升2.1%，召回率提升1.7%，mAP0.5与mAP0.5-0.95分别提升1.7%和2.9%。与此同时，模型的计算复杂度（GFLOPs）降低0.8，参数量减少909,128，模型大小减小1.8 MB。该结果清晰地证明了所提出的改进模块在提升检测精度的同时，有效实现了模型的轻量化。
表1 YOLOv11-MHS消融实验性能对比图片
2. 对比实验
我们将YOLOv11-MHS模型与当前主流的目标检测模型进行了对比，包括YOLOv7-tiny、YOLOv8n、YOLOv10n、Faster R-CNN等，结果详见表2。实验在相同的数据集和训练设置下进行，以确保公平性。数据显示，YOLOv11-MHS在精确率、召回率及两项mAP指标上均优于其他对比模型。并且YOLOv11-MHS在取得最高精度的同时，其GFLOPs、参数量和模型大小显著低于大多数对比模型。
表2 YOLOv11-MHS对比试验图片
3. 复杂场景检测效果对比分析
为直观验证YOLOv11-MHS模型在真实复杂农田环境中的性能，本研究选取了涵盖多种挑战性因素的典型场景进行检测效果的可视化对比分析，具体包括背光、阴暗、果实重叠以及枝叶遮挡。如图2所示，将YOLOv11-MHS与原始YOLOv11n及其他主流检测模型的输出结果进行比较。
图2 不同算法模型在复杂环境中的检测结果。(a) YOLOv8n；(b) YOLOv10n；(c) YOLO11n；(d) Faster-RCNN；(e) 改进的 YOLOv5s；(f) YOLOv8-Tomato；(g) YOLOv11-MHS。
可视化结果明确显示，在相同复杂场景下，YOLOv11-MHS展现出显著优势。具体而言：在光照不足或背光条件下，该模型对果实颜色的识别更为稳定，有效减少了因亮度变化导致的漏检；在枝叶遮挡的区域，模型能够准确地定位被部分掩盖的番茄，降低了遮挡引起的目标丢失；果实重叠场景下也能准确检测出每个果实。结果体现了YOLOv11-MHS模型检测的稳定性。
· 结 论 ·
在本研究中，我们提出了一种基于YOLOv11n的改进模型YOLOv11-MHS，用于番茄成熟度检测。我们引入了多尺度卷积块构建C3k2_MSCB模块，该模块利用多尺度特征融合来提高检测精度。通过高级筛选特征融合金字塔结构改进了模型的颈部网络，该结构通过选择和融合来细化特征，从而增强了模型在露天果园场景下的鲁棒性。此外，集成了空间和通道协同注意力机制构建了C2PSA_SCSA模块，其中包括了共享多语义空间注意力机制和渐进式通道自注意力机制。
改进后的YOLOv11-MHS模型在实现轻量化设计的同时提高了检测精度。消融研究证实了这些改进措施的有效性。与YOLOv11n相比，改进后的模型精确率提升了2.1%，召回率提升了1.7%，平均精度均值mAP0.5提升了1.7%，mAP0.5-0.95提升了2.9%。同时，它还减少了0.8 GFLOPs、909,128个参数量以及1.8 MB的内存占用。
在与主流目标检测模型的对比实验中，YOLOv11-MHS在所有各项指标上均表现出更好的性能，并在自然环境下提供了较好的检测结果。在未来，本研究中开发的模型可以集成到自主采摘机器人和果园监测系统等设备中，为推进智慧农业发展和降低劳动力成本做出贡献。
来源：ENGINEERING Agriculture