Para enfrentar os desafios na detecção da maturidade dos frutos cítricos em ambiente natural, tais como a dificuldade de distinguir níveis de maturidade, a forte oclusão entre folhas e frutos, a alta complexidade do modelo e limitações no uso de recursos, este artigo propõe um algoritmo leve de detecção de maturidade de cítricos em árvore baseado numa versão aprimorada do YOLOv11 chamado YOLO-HiP. Primeiramente, uma rede HGNetv2-L melhorada foi adotada como backbone e combinada com uma estratégia de extração de características em camadas, aumentando significativamente a capacidade de análise do modelo em cenários complexos, ao mesmo tempo em que reduz a complexidade computacional e o consumo de recursos de forma eficaz. Em seguida, foi projetado um módulo leve de atenção híbrida C2PSA_iRMB, que integra o mecanismo C2PSA e o módulo iRMB, otimizando a carga computacional e reforçando a capacidade de processamento de informações de longa distância, melhorando a flexibilidade e a eficiência computacional do módulo. Por fim, foi construído o módulo C3k2_PConv, que ao reduzir cálculos redundantes e acessos à memória, aumentou ainda mais a eficiência da extração de características espaciais. Os resultados experimentais indicam que o YOLO-HiP alcançou um mAP₅₀ de 94,3%, com uma melhoria de 4,7% em relação ao modelo original; com apenas 5,1 milhões de parâmetros (redução de 45,7%); carga computacional reduzida para 13,9 GFLOPs (queda de 34,7%); e taxa de quadros aumentada para 227,4 fps (crescimento de 25,1%). O modelo garante precisão na detecção enquanto comprime significativamente o tamanho do modelo, oferecendo uma solução inovadora e viável para plataformas com recursos computacionais limitados, como robôs de colheita de cítricos.

Cítricos;Maturidade;YOLOv11;Leve;Detecção de objetos