文献类型： 中文期刊

作者： 李成轩 ¹ ; 赵春江 ¹ ; 张驰 ² ; 黄文倩 ² ; 李佳琪 ² ; 何鑫 ² ; 王庆艳 ² ;

作者机构： 1.西北农林科技大学信息工程学院

2.北京市农林科学院智能装备技术研究中心

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mAP_0.5和mAP_0.50～0.95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。