农业工程学报

作者：张毅杰,宋泽祺,张志涛,任雯,赵永梅,莫玉兰,钱信旭,杨振杰,

关键词：YOLO11, 图像识别, 深度学习, 澳洲坚果；花, 自然环境

基金：42

为实现复杂自然环境下云南澳洲坚果花序发育状态的高精度实时检测，提出了一种基于改进YOLO11n的目标检测方法。设计了多尺度特征聚合（partial multi-scale feature aggregation，PMSFA）模块，可高效捕获并聚合多源异构特征信息以提升复杂背景下花序的检测精度；通过引入分组混合卷积（group-shuffle convolution，GSConv）替换传统卷积模块，并以跨阶段局部模块（variety of view group shuffle cross stage partial network，VoV-GSCSP）替代C3k2模块，构建Slim-neck架构保障高识别精度，优化特征融合效率并有效控制计算负载；将YOLO11n的损失函数由CIoU（center intersection of union）替换为Focaler-PIoU v2，以增强检测器对花序关键特征的聚焦与定位能力。试验结果表明：改进后的YOLO11n模型IoU=0.5时的平均精度均值（mean average precision，mAP）达92.4%，较原始YOLO11n模型提高了3.6个百分点；相较于经典Faster R-CNN、SSD、RT-DETR、YOLOv5s、YOLOv8n、YOLOv10n和YOLO12n，改进模型mAPsub>0.5/sub>分别高出6.4、15.9、5.7、4.3、4.1、5.0和3.3个百分点。通过在Orange Pi AI Pro边缘计算平台上部署与多线程优化，改进的YOLO11n模型检测速度可达72.8帧/s，能有效满足自然环境下云南澳洲坚果花实时精准识别的实际需求。该研究为云南澳洲坚果花期智能化调控装备的开发提供了关键技术支撑。/

来源：2026年第8期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第8期