Face aux défis de la différenciation de la maturité des agrumes dans des environnements naturels, aux occlusions sévères des branches et des fruits, à la complexité élevée des modèles et aux contraintes de déploiement des ressources, cet article propose un algorithme léger de détection de la maturité des agrumes sur l’arbre basé sur une version améliorée de YOLOv11, nommé YOLO-HiP. Tout d’abord, un réseau amélioré HGNetv2-L est utilisé comme réseau principal avec une stratégie d’extraction de caractéristiques hiérarchique qui améliore significativement la capacité du modèle à analyser des scènes complexes tout en réduisant efficacement la complexité calculatoire 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 de calcul et renforçant la capacité de traitement des informations à longue portée, améliorant ainsi la flexibilité et l’efficacité du module. Enfin, le module C3k2_PConv a été construit pour améliorer 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 d’origine, avec seulement 5,1 millions de paramètres (réduction de 45,7 %), un calcul tombant à 13,9 GFLOPs (baisse de 34,7 %), et un taux de frames élevé à 227,4 fps (augmentation de 25,1 %). Ce modèle garantit la précision de détection tout en compressant significativement la taille, offrant une solution innovante et faisable pour les plateformes à ressources informatiques limitées telles que les robots de récolte d’agrumes intégrés.

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