Full shuffle and p-rectified semi-inner powerful IoU-based chili pepper flower recognition with environment-aware YOLO11
Cui-Ping Zhang · Zhi-Yong Wang · Xuewei Wang 等 4 人
基于YOLO11改进，实现温室辣椒花精准检测。
自建数据集+数据增强，引入全混洗、环境感知C3k2和p校正IoU。
mAP50达84.8%，比基线YOLO11提升7.5个百分点，优于多个对比模型。
温室辣椒花检测研究少，可探索多品种、多生长期泛化及嵌入式部署。
基于YOLO11的辣椒花检测新方法，mAP50提升7.5个百分点，对设施农业智能监测有参考价值，但属细分技术进展，影响范围有限。
作为常见的温室商业化种植作物，辣椒的产量一直备受关注。有效的管理对于温室的環境可持续性和高生产力都至关重要。无论是生长监测、产量估算还是自动化生产，辣椒花朵的精准识别都至关重要。为实现这一目标，本文基于YOLO11目标检测模型，聚焦辣椒花朵的精准检测。通过利用自建的温室辣椒花朵数据集并结合数据增强，增加了不同场景下样本的多样性。针对YOLO11在此任务中的局限性，本文提出了一个集成三个模块的统一框架：（1）完全混洗（full shuffle），以增强模型通道间的信息交换并优化权重；（2）由于YOLO11在训练过程中无法纳入外部环境数据，引入了环境感知C3k2（environment-aware C3k2）；（3）提出的p-rectified Semi-inner Powerful IoU加速了模型收敛并提升了灵活性。实验表明，本方法取得了84.8%的mAP50、50.2%的mAP50-95、81.1%的精确率和75.6%的召回率，较基线YOLO11的77.3%提升了7.5个百分点，并在相同实验条件下优于YOLOv8、YOLO12、RTDETR和Faster R-CNN。因此，在性能方面，本方法总体上超越了现有的辣椒花朵检测算法。目前关于温室辣椒花朵检测的研究仍然有限。本研究为智慧农业的发展提供了有价值的见解。未来工作将进一步探索模型在多个品种和生长阶段上的泛化能力，并将其部署到嵌入式设备上以实现实际应用。