Pour relever les défis rencontrés lors de la détection de la maturité des agrumes dans un environnement naturel, tels que la difficulté de différencier les degrés de maturité, le fort chevauchement des branches, feuilles et fruits, la complexité du modèle et les contraintes 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. Premièrement, le réseau principal utilisé est une version améliorée du HGNetv2-L associée à une stratégie d'extraction de caractéristiques en couches, ce qui améliore significativement la capacité d'analyse du modèle dans des scènes complexes tout en réduisant efficacement la complexité calculatoire et la consommation de ressources. Deuxièmement, un module d'attention hybride léger nommé C2PSA_iRMB a été conçu, combinant le mécanisme C2PSA avec le module iRMB, optimisant ainsi la charge de calcul et renforçant le traitement des informations à longue distance, améliorant la flexibilité et l'efficacité du module. Enfin, le module C3k2_PConv a été construit pour augmenter encore l'efficacité de l'extraction des caractéristiques spatiales en réduisant les calculs redondants et les accès mémoire. Les résultats expérimentaux montrent que YOLO-HiP atteint un mAP₅₀ de 94,3 %, soit une amélioration de 4,7 % par rapport au modèle original, avec seulement 5,1 millions de paramètres (réduction de 45,7 %), une charge de calcul réduite à 13,9 GFLOPs (baisse de 34,7 %) et un taux de trame porté à 227,4 fps (augmentation de 25,1 %). Ce modèle offre une solution innovante et réalisable pour les plateformes de systèmes embarqués à ressources informatiques limitées, telles que les robots de cueillette d'agrumes, tout en garantissant la précision de détection et en compressant significativement la taille du modèle.

agrumes;maturité;YOLOv11;légèreté;détection d'objets