森林工程

作者：张瑞峰,汤伟,孙永会,牛育华,武军虎

单位：1.陕西科技大学 电气与控制工程学院，西安 710000；,2.陕西科技大学 化学与化工学院，西安 710000；,3.宁县果业发展中心，甘肃 庆阳 745000；

关键词：苹果,幼果,图像识别,YOLO11n,迁移学习,卷积注意力模块,深度学习,目标识别

基金：甘肃省2025年度重点研发计划(25YFNM002),陕西省关键核心技术攻关-区域创新能力提升项目(2025QY-GJHX-30),陕西省重点研发计划(2025CY-JJQ-148),陕西省重点项目(2025CY-JJQ-154)

苹果幼果的高效精准识别是自动化机械疏果的重要前提，针对苹果幼果因光线不足、叶片遮挡及果实堆叠等导致的识别困难，提出一种“迁移学习+注意力机制”双维度改进的YOLO11n的识别算法，旨在提升复杂田间环境下自动化疏果机械识别的准确性及泛化性。该算法构建思路为，构建和标注包含多时段、多角度和不同田间环境下的苹果幼果图像数据集，为训练模型提供高质量样本支持；利用迁移学习微调优化YOLO11n模型，提升模型在实际场景识别的泛化能力；迁移学习优化后，在最优基础模型YOLO11n中引入卷积注意力模块（convolutional block attention module，CBAM），构建YOLO11n-CBAM改进模型，以达到强化模型关键特征提取能力与目标区域聚焦能力。试验结果表明，迁移学习下的YOLO11n模型准确率 P达到97.33%、召回率 R达到88.01%、平均精度mAP50达到95.00%、平均精度mAP50-95达到69.12%，显著优于迁移学习下的其他模型与随机权重下的同类模型；CBAM模块进一步将YOLO11n各项指标提升，P、R、mAP50、mAP50-95分别达到了99.07%、88.81%、95.87%、71.02%，且在复杂田间场景中展现出更强的抗干扰能力。改进后的模型显著提升了苹果幼果识别的精度，同时拥有较高泛化能力，能够为自动化机械疏果提供有效技术支撑。

来源：2026年第3期

《森林工程》期刊编辑部

查看森林工程杂志2026年第3期