لمواجهة التحديات التي تواجه تمييز نضج أشجار الحمضيات في البيئة الطبيعية، مثل صعوبة التمييز بين مستويات النضج، والتداخل الشديد بين الأغصان والأوراق والثمار، وتعقيد النموذج، وقيود نشر الموارد، اقترح هذا البحث خوارزمية كشف نضج الحمضيات الخفيفة الوزن على الشجرة تعتمد على تحسين YOLOv11 تدعى YOLO-HiP. أولاً، تم استخدام شبكة HGNetv2-L المحسنة كشبكة عماد، وتم دمج استراتيجية استخراج السمات الطبقية لتعزيز قدرة النموذج على التحليل في المشاهد المعقدة بشكل ملحوظ، مع تقليل تعقيد الحسابات واستهلاك الموارد بشكل فعال. ثانياً، تم تصميم وحدة انتباه هجينة خفيفة الوزن C2PSA_iRMB، من خلال دمج آلية C2PSA مع وحدة iRMB، لتحسين تكلفة الحسابات وتعزيز معالجة المعلومات بعيدة المدى، مما رفع مرونة وكفاءة الوحدة. وأخيراً، تم بناء وحدة C3k2_PConv، التي تعمل على تحسين كفاءة استخراج السمات المكانية من خلال تقليل الحسابات والذاكرة غير الضرورية. أظهرت النتائج التجريبية أن YOLO-HiP حققت دقة متوسطة بمقدار 94.3% على mAP50، بزيادة 4.7% مقارنة بالنموذج الأصلي، مع عدد معلمات يبلغ 5.1 مليون (انخفاض بنسبة 45.7%)، وتقليل العمليات الحسابية إلى 13.9 جيجا فلوبس (انخفاض بنسبة 34.7%)، وزيادة معدل الإطارات إلى 227.4 إطارًا في الثانية (زيادة بنسبة 25.1%). يوفر هذا النموذج حلاً مبتكرًا وقابلًا للتطبيق لمنصات الأنظمة المدمجة ذات الموارد الحاسوبية المحدودة، مثل روبوتات قطف الحمضيات، مع الحفاظ على دقة الكشف وتقليل حجم النموذج بشكل كبير.

الحمضيات;النضج;YOLOv11;خفيفة الوزن;كشف الأجسام