-
题名基于改进YOLO v11的番茄表面缺陷检测方法
- 1
-
-
作者
朱婷婷
滕广
张亚军
倪超
何惠彬
-
机构
南京林业大学机械电子工程学院
福建省机械科学研究院
-
出处
《农业机械学报》
北大核心
2025年第6期546-553,共8页
-
基金
福建省技术创新重点攻关及产业化项目(2023G015)。
-
文摘
传统的番茄缺陷检测主要依赖于人工分拣,存在效率低、漏检率高等问题。为此,提出了一种改进的YOLO v11番茄缺陷检测方法TDD-YOLO(Tomato defect detection YOLO),实现对番茄表面白斑、增生、凹陷、裂口、变质5种缺陷的自动检测。首先,融合小波深度可分离卷积模块构建新的HE-Head层,在保持模型轻量化的同时提升模型对小目标的检测能力(如白斑);其次,使用WC3k2模块替换原有C3k2模块,扩大模型在特征提取阶段的感受野,同时使用动态上采样方法取代原有的上采样,实现对模型推理效率的提升和轻量化;最后,使用自适应阈值焦点损失函数加强对样本的关注度,提高识别精度。设计实验验证所提方法性能,实验结果表明本文所提的TDD-YOLO模型番茄表面缺陷整体识别精度为89.0%、召回率为84.9%、F1分数为86.9%、平均精度均值为88.0%,识别效果明显优于现有的YOLO系列模型以及Faster R-CNN和EfficientDet模型。此外,TDD-YOLO模型检测速度为142.89 f/s,满足实时检测速度要求,为番茄检测规范化和工业化提供重要技术支撑。
-
关键词
番茄
缺陷检测
YOLO
v11
小波深度可分离卷积
深度学习
-
Keywords
tomato
defect detection
YOLO v11
wavelet depth separable convolution
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
