Ante los desafíos de diferenciar la madurez de los cítricos en ambientes naturales, la grave oclusión entre ramas y frutos, la alta complejidad del modelo y las limitaciones en el despliegue de recursos, este artículo propone un algoritmo ligero para la detección de madurez de cítricos en el árbol basado en una versión mejorada de YOLOv11, denominado YOLO-HiP. En primer lugar, se utiliza la red mejorada HGNetv2-L como red principal combinada con una estrategia de extracción de características por capas, que mejora significativamente la capacidad de análisis del modelo en escenarios complejos y reduce eficazmente la complejidad computacional y el consumo de recursos. En segundo lugar, se diseñó un módulo híbrido de atención ligero C2PSA_iRMB, que fusiona el mecanismo C2PSA con el módulo iRMB, optimizando el costo computacional y mejorando la capacidad de procesamiento de información a largo alcance, aumentando la flexibilidad y eficiencia del módulo. Finalmente, se construyó el módulo C3k2_PConv para mejorar aún más la eficiencia en la extracción de características espaciales mediante la reducción de cálculos redundantes y accesos a memoria. Los resultados experimentales muestran que YOLO-HiP alcanzó un mAP₅₀ de 94,3 %, un aumento de 4,7 % con respecto al modelo original, con solo 5,1 millones de parámetros (reducción del 45,7 %), un costo computacional reducido a 13,9 GFLOPs (reducción del 34,7 %) y una tasa de cuadros aumentada a 227,4 fps (incremento del 25,1 %). Este modelo garantiza una alta precisión de detección mientras reduce significativamente el tamaño del modelo, proporcionando una solución innovadora y factible para plataformas con recursos computacionales limitados, como robots de cosecha de cítricos embebidos.

Cítricos;Madurez;YOLOv11;Ligero;Detección de objetos