基于AIC-YOLOv11n模型的砀山梨多表面缺陷检测方法

文献类型： 中文期刊

第一作者： 李成轩

作者： 李成轩;赵春江;张驰;黄文倩;李佳琪;何鑫;王庆艳

作者机构：

关键词： 砀山梨;机器视觉;缺陷检测;YOLOv11;轻量化;注意力机制;模型部署

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2025 年 41 卷 014 期

页码： 320-328

收录情况： EI ; 北大核心 ; CSCD

摘要： 针对实际应用场景中砀山梨表面缺陷检测实时性要求较高，边缘设备计算能力受限等问题，以提高砀山梨表面缺陷检测精度并对模型进行有效轻量化为前提，该研究提出一种基于改进YOLOv11n的AIC-YOLOv11n模型。首先，在主干网络中引入Adown下采样模块，减少模型浮点计算量和参数量提高网络提取特征能力；其次，使用融合了倒置残差块注意力机制（inverted residual mobile block,iRMB）的C2PSA-iRMB模块替换原主干网络中的C2PSA模块，在保持模型轻量的同时捕捉和利用长距离依赖；然后，将原模型的颈部结构替换为跨尺度特征融合模块（cross-scale feature fusion module, CFFM）融合不同尺度特征以提高模型对小尺度对象的检测能力。试验结果表明，采用AICYOLOv11n模型能够对砀山梨的多种类表面缺陷进行有效检测，在测试集上的精确度为92.5%，召回率为87.5%，平均精度均值mAP0.5和mAP0.50～0.95分别为92.7%和70.5%，相较于原YOLOv11n模型分别提高0.3、5.5、5.1、2.4个百分点；模型浮点计算量为4.3 G，参数量为1.46 M，模型大小为3.11 MB，分别相较于原模型下降31.7%、43.4%、40.5%；最大显存占用量为4.83 GB，帧率为120.1帧/s，计算资源占用少且推理速度满足表面缺陷检测实时性要求。研究结果可为砀山梨表面缺陷在线检测提供模型参考。

分类号： TP391.41%TS255.7

  • 相关文献

[1]基于图像局部方差的亮度矫正下番茄表面缺陷检测方法. 何婷婷,姚继超,张钟莉莉,芦天罡,岳焕芳. 2023

[2]基于改进YOLOv4算法的番茄叶部病害识别方法. 储鑫,李祥,罗斌,王晓冬,黄硕. 2023

[3]融合注意力机制的荔枝轻量化检测方法研究. 王聪,文晟,兰玉彬,严倩,姜永华,张建桃,罗菊川. 2025

[4]基于改进YOLO v8的轻量化稻瘟病孢子检测方法. 罗斌,李家超,周亚男,潘大宇,黄硕. 2024

[5]MDSD-YOLO:一种复杂道路场景目标检测方法. 赵龙阳,李天豪,张会兵,刘琦,孟瑞敏. 2025

[6]基于改进YOLOV5s网络的奶牛多尺度行为识别方法. 白强,高荣华,赵春江,李奇峰,王荣,李书琴. 2022

[7]基于机器视觉的农作物病害识别研究进展. 麻剑钧,刘晓慈,金龙新,熊伟,易森林,封春芳,刘阳,夏先亮. 2023

[8]富硒农产品系列之七 富硒梨生产施肥技术. 曹德宾. 2016

[9]富硒梨生产施肥技术. 曹德宾. 2016

[10]基于YOLOv11和SVR的猪只背部姿态与体尺估测. 李梓芃,徐迪红,黎煊,李良华,孙华,黄江东,王起繁,梅书棋,彭先文. 2025

[11]基于深度残差网络的小样本杯沿缺陷检测. 金宇霏,陆慧娟,郭鑫璐,张俊,朱文杰. 2021

[12]基于区域亮度自适应校正算法的脐橙表面缺陷检测. 张明,王腾,李鹏,邓烈,郑永强,易时来,吕强,孙荣荣. 2020

[13]一种剑麻装载机的轻量化设计与应用. 陈涛,金刚,覃旭,黄显雅,彭欣怡,刘明,吴密,周肇峰. 2021

[14]基于轻量化卷积神经网络的改进模型与验证. 李润龙,王运圣,徐识溥,刘勇. 2020

[15]改进Multi-scale ResNet的蔬菜叶部病害识别. 王春山,周冀,吴华瑞,滕桂法,赵春江,李久熙. 2020

[16]喷雾机喷杆结构的研究现状及展望. 乔白羽,丁素明,薛新宇,崔龙飞,周晴晴,张亚萍. 2017

[17]基于LW-YOLOv3模型的棉花主茎生长点检测与定位研究. 孙想,吴华瑞,朱华吉,杨雨森,陈诚,何思琪,王春山. 2021

[18]电驱自走式农机测试平台的设计. 余涛,刘俊杰,杨存志,叶岩,孙先明,李国林. 2021

[19]轻型拖车车架设计和静动力学仿真研究. 石凯飞. 2022

[20]基于RDN-YOLO的自然环境下水稻病害识别模型研究. 廖娟,刘凯旋,杨玉青,严从宽,张爱芳,朱德泉. 2024

作者其他论文 更多>>

微信小程序