Pour faire face aux défis rencontrés dans la détection de la maturité des agrumes dans un environnement naturel, tels que la difficulté à distinguer les degrés de maturité, l'occlusion sévère entre les feuilles et les fruits, la complexité élevée du modèle et les limitations de déploiement des ressources, cet article propose un algorithme léger de détection de la maturité des agrumes sur arbre basé sur une version améliorée de YOLOv11, appelé YOLO-HiP. Tout d'abord, un réseau HGNetv2-L amélioré a été utilisé comme réseau principal, combiné à une stratégie d’extraction de caractéristiques hiérarchique, améliorant significativement la capacité d'analyse du modèle dans des scènes complexes, tout en réduisant efficacement la complexité computationnelle et la consommation des ressources. Ensuite, un module d'attention hybride léger C2PSA_iRMB a été conçu, fusionnant le mécanisme C2PSA avec le module iRMB, optimisant les coûts calculatoires et renforçant la gestion des informations à longue distance, augmentant la flexibilité et l'efficacité de calcul du module. Enfin, le module C3k2_PConv a été construit, réduisant les calculs redondants et l'accès mémoire, améliorant ainsi l'efficacité d'extraction des caractéristiques spatiales. Les résultats expérimentaux montrent que YOLO-HiP a atteint un mAP₅₀ de 94,3%, une amélioration de 4,7% par rapport au modèle original ; les paramètres sont réduits à 5,1 millions (diminution de 45,7%) ; la charge computationnelle est abaissée à 13,9 GFLOPs (réduction de 34,7%) ; le taux de trames atteint 227,4 fps (augmentation de 25,1%). Le modèle assure une précision de détection tout en compressant significativement la taille du modèle, offrant une solution innovante et viable pour les plateformes à ressources informatiques limitées comme les robots de récolte d’agrumes.

Agrumes;Maturité;YOLOv11;Léger;Détection d’objets