基于改进YOLOv11的西兰花识别算法研究-AET-电子技术应用

基于改进YOLOv11的西兰花识别算法研究

电子技术应用

许照昕，胡军国，朱超，高俊

浙江农林大学数学与计算机科学学院

摘要： 针对农地环境中由于遮挡和光线复杂等原因造成的西兰花识别不准确这一系列问题，提出了一种基于YOLOv11的田间西兰花识别模型。首先，该模型引入DLKA（Deformable Large Kernel Attention）注意力机制，将注意力机制融入到C3K2模块当中，形成一个新的模块C3K2_DLKA替换掉原来主干网络中的C3K2模块；其次引用MBConv（Mobile Inverted Bottleneck Convolution）独特的倒置瓶颈结构的优势融入到YOLOv11的检测头中，将原网络中的检测头替换为Detect_MBConv检测头，在目标检测任务中不仅能够更精准地识别目标，还能在计算资源有限的情况下快速响应。最后，更换损失函数为Shape-IoU，增强了模型的收敛性和稳定性。实验表明，改进后的模型与原模型相比准确率提升了4.8%，召回率提升了3.8%，mAP值提升了1.9%，体现了改进算法的有效性。

关键词： 西兰花 YOLOv11 DLKA MBConv Shape-IoU

中图分类号：TP391.4；S24 文献标志码：A DOI: 10.16157/j.issn.0258-7998.256978
中文引用格式： 许照昕，胡军国，朱超，等. 基于改进YOLOv11的西兰花识别算法研究[J]. 电子技术应用，2026，52(5)：68-73.
英文引用格式： Xu Zhaoxin，Hu Junguo，Zhu Chao，et al. Research on broccoli recognition algorithm based on improved YOLOv11[J]. Application of Electronic Technique，2026，52(5)：68-73.

Research on broccoli recognition algorithm based on improved YOLOv11

Xu Zhaoxin，Hu Junguo，Zhu Chao，Gao Jun

College of Mathematics and Computer Science， Zhejiang A&F University

Abstract： In response to the series of problems of inaccurate broccoli identification caused by occlusion and complex light in farmland environments, a field broccoli identification model based on YOLOv11 is proposed. Firstly， this model introduces the Deformable Large Kernel Attention(DLKA) attention mechanism, integrates the attention mechanism into the C3K2 module, forming a new module C3K2_DLKA to replace the C3K2 module in the original backbone network. Secondly, the advantages of the unique inverted bottleneck structure of Mobile Inverted Bottleneck Convolution(MBConv ) are incorporated into the detection head of YOLOv11, and the detection head in the original network is replaced with the Detect_MBConv detection head. In the object detection task, it can not only identify the target more accurately, but also respond quickly with limited computing resources. Finally, the loss function is replaced with Shape-IoU to enhance the convergence and stability of the model. Experiments show that the improved model has improved accuracy by 4.8%, the recall by 3.8%, and the mAP value has increased by 1.9%, reflecting the effectiveness of the improved algorithm.

Key words : broccoli；YOLOv11；DLKA；MBConv；Shape-IoU

引言

西兰花又名青花菜，营养丰富具有防癌抗癌的功效，西兰花对高血压、心脏病有调节和预防的作用。目前在美国、中国和日本等国家都有一定量的种植[1]。西兰花生产目前以人工种植和人工采摘为主，2024年西兰花种植面积约为450~480 khm2，约占人工蔬菜种植总面积的2.05%。

西兰花采摘是西兰花生产中重要的环节之一,目前西兰花采摘以人工作业为主，存在工作效率、人力成本较高、采摘不及时等问题[2]。由于西兰花头所处环境光照复杂，西兰花叶子具有无序生长特性，西兰花头存在遮挡问题，使得精确获取西兰花目标的空间位置变得非常困难。因此，准确获西兰花空间位置和特征信息取位对采摘机器人的开发具有重要意义[3-4]。

目前，基于深度学习的目标检测技术已广泛应用于作物分类、水果缺陷检测、水果病虫害检测等领域[5-6]。同时，目标检测算法也是采摘机器人视觉系统的重要组成部分。许多研究试图将各种目标检测网络应用于采摘任务。KUZNETSOVA A等[7]基于YOLOv3开发了一个用于检测果园中苹果的机器视觉系统。杨震宇等[8]提出了一种基于YOLOv8-pose的草莓识别与果梗采摘关键点检测方法，使草莓采摘机器人能够在自然环境中准确地检测和定位草莓，这可以显著提高草莓的检测速度。ZUO Z等[9]认为西兰花成熟度是采摘西兰花的关键因素，因此他们使用轻量化检测提出一种基于LBDC-YOLO模型。该分类为西兰花采摘机器人提供了参考。但是，基于RGB图像的目标检测对于蔬菜采摘任务缺乏基本深度信息。

为了增加目标检测精度和提高目标的特征提取能力，本文对YOLOv11网络进行了改进。首先，引入DLKA注意力机制，将DLKA融入到C3K2模块当中，采用改进后的C3K2_DLKA模块替代了原主干网络中的C3K2模块。其次，利用EfficientNet中的移动倒置瓶颈模块MBConv改进检测头，在Detect模块的基础上，加入MBConv模块，将检测头替换成Detect_MBConv。最后，采用Shape-IoU损失函数来增强模型的收敛性和稳定性。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007074

作者信息：

许照昕，胡军国，朱超，高俊

（浙江农林大学数学与计算机科学学院，浙江杭州 310000）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容