Para abordar los desafíos en la detección de la madurez de los cítricos en el entorno natural, como la dificultad para distinguir los grados de madurez, la intensa oclusión entre hojas y frutos, la alta complejidad del modelo y las limitaciones en el despliegue de recursos, este artículo propone un algoritmo ligero de detección de madurez de cítricos en árbol basado en una versión mejorada de YOLOv11, denominado YOLO-HiP. Primero, se utilizó una red HGNetv2-L mejorada como red principal, combinada con una estrategia de extracción de características en capas, mejorando significativamente la capacidad de análisis del modelo en escenarios complejos, a la vez que reduce eficazmente la complejidad computacional y el consumo de recursos. En segundo lugar, se diseñó un módulo de atención híbrida ligera C2PSA_iRMB, que mediante la fusión del mecanismo C2PSA con el módulo iRMB, optimizó el costo computacional y mejoró la capacidad para manejar información a largas distancias, aumentando la flexibilidad y eficiencia computacional del módulo. Finalmente, se construyó el módulo C3k2_PConv, que al reducir cálculos redundantes y accesos a memoria, mejoró aún más la eficiencia en la extracción de características espaciales. Los resultados experimentales mostraron que YOLO-HiP alcanzó un mAP₅₀ de 94.3%, un incremento del 4.7% respecto al modelo original; con solo 5.1M parámetros (reducción del 45.7%); un cómputo de 13.9 GFLOPs (reducción del 34.7%); y una tasa de fotogramas aumentada a 227.4 fps (incremento del 25.1%). Este modelo garantiza precisión en la detección a la vez que comprime significativamente el tamaño del modelo, ofreciendo una solución innovadora y viable para plataformas con recursos limitados, como robots de cosecha de cítricos.

Cítricos;Madurez;YOLOv11;Ligero;Detección de objetos