Um den Herausforderungen bei der Zitruserkennung im natürlichen Umfeld zu begegnen, wie der Schwierigkeit der Reifestufentrennung, starker Verdeckung durch Blätter und Früchte, hoher Modellkomplexität und begrenzten Ressourceneinsatz bei der Bereitstellung, schlägt dieser Artikel einen leichtgewichtigen Algorithmus zur Erkennung der Reife von Zitrusfrüchten am Baum vor, basierend auf einer verbesserten Version von YOLOv11 namens YOLO-HiP. Zunächst wird das verbesserte HGNetv2-L-Netzwerk als Hauptnetz verwendet, kombiniert mit einer gestaffelten Merkmalsextraktionsstrategie, die die Modellfähigkeiten in komplexen Szenen deutlich verbessert und gleichzeitig die Rechenkomplexität und den Ressourcenverbrauch effizient senkt. Zweitens wurde ein leichtgewichtiger Hybridaufmerksamkeitsmodul C2PSA_iRMB entworfen, das den C2PSA-Mechanismus mit dem iRMB-Modul kombiniert, um die Rechenkosten zu optimieren und die Verarbeitung von Langstreckeninformationen zu verbessern, wodurch die Flexibilität und Recheneffizienz des Moduls gesteigert wird. Schließlich wurde das C3k2_PConv-Modul entwickelt, das durch Reduzierung redundanter Berechnungen und Speicherzugriffe die Effizienz bei der extraktion von räumlichen Merkmalen weiter verbessert. Experimentelle Ergebnisse zeigen, dass YOLO-HiP einen mAP₅₀ von 94,3 % erreichte, was eine Steigerung um 4,7 % gegenüber dem Ursprungsmodell bedeutet; die Parameterzahl beträgt lediglich 5,1 Mio. (Reduktion um 45,7 %); die Rechenleistung sank auf 13,9 GFLOPs (Abnahme um 34,7 %); die Bildrate stieg auf 227,4 fps (Steigerung um 25,1 %). Das Modell garantiert eine hohe Erkennungsgenauigkeit bei signifikant reduzierter Modellgröße und bietet eine innovative und praktikable Lösung für Plattformen mit begrenzten Rechenressourcen wie Zitrusernte-Roboter.

Zitrusfrüchte;Reife;YOLOv11;Leichtgewicht;Objekterkennung