Для решения проблем, возникающих при обнаружении зрелости цитрусовых на деревьях в естественной среде, таких как трудности с разграничением степеней зрелости, сильное перекрытие листьев и плодов, высокая сложность модели и ограниченные ресурсы для развертывания, в данной работе предложен легковесный алгоритм обнаружения зрелости цитрусовых на деревьях на основе улучшенного YOLOv11 под названием YOLO-HiP. Во-первых, в качестве основной сети использовалась улучшенная сеть HGNetv2-L с стратегией поуровневого извлечения признаков, что значительно повысило способность модели к анализу в сложных сценах и одновременно эффективно снизило вычислительную сложность и потребление ресурсов. Во-вторых, разработан легковесный гибридный модуль внимания C2PSA_iRMB, который путем объединения механизма C2PSA и модуля iRMB оптимизировал вычислительные затраты и усилил обработку информации на больших расстояниях, повысив гибкость и вычислительную эффективность модуля. Наконец, создан модуль C3k2_PConv, который за счет уменьшения избыточных вычислений и доступа к памяти дополнительно повысил эффективность извлечения пространственных признаков. Экспериментальные результаты показали, что YOLO-HiP достиг mAP₅₀ в 94,3%, что на 4,7% выше исходной модели; количество параметров составило всего 5,1M (сокращение на 45,7%); вычислительные затраты снизились до 13,9 GFLOPs (уменьшение на 34,7%); частота кадров увеличилась до 227,4 кадров/с (рост на 25,1%). Эта модель обеспечивает точность обнаружения при значительном сжатии размера модели, предлагая инновационное и осуществимое решение для платформ с ограниченными вычислительными ресурсами, таких как роботы для сбора цитрусовых.

Цитрусовые;Зрелость;YOLOv11;легковесный;Обнаружение объектов