Para abordar los desafíos en la detección de madurez de árboles cítricos en entornos naturales, tales como la dificultad para diferenciar grados de madurez, la fuerte oclusión de ramas, hojas 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 llamado YOLO-HiP. Primero, se utiliza la red mejorada HGNetv2-L como red principal junto con una estrategia de extracción de características jerarquizada, lo que mejora significativamente la capacidad de análisis del modelo en escenarios complejos, mientras reduce eficazmente la complejidad computacional y el consumo de recursos. Segundo, se diseña un módulo de atención híbrido ligero C2PSA_iRMB, combinando el mecanismo C2PSA con el módulo iRMB, optimizando el costo computacional y mejorando el procesamiento de información a larga distancia, aumentando la flexibilidad y eficiencia computacional del módulo. Finalmente, se construye el módulo C3k2_PConv, que mediante la reducción de cálculos redundantes y accesos a memoria mejora aún más la eficiencia en la extracción de características espaciales. Los resultados experimentales muestran que YOLO-HiP logra un mAP₅₀ del 94.3%, mejorando en 4.7% respecto al modelo original, con solo 5.1 millones de parámetros (reducción del 45.7%), la carga computacional bajó a 13.9 GFLOPs (reducción del 34.7%) y la tasa de fotogramas aumentó a 227.4 fps (incremento del 25.1%). Este modelo proporciona una solución innovadora y factible para plataformas de sistemas embebidos con recursos computacionales limitados, como robots recolectores de cítricos, garantizando precisión en la detección y una reducción significativa en el tamaño del modelo.

cítricos;madurez;YOLOv11;ligereza;detección de objetos