基于YOLO-LTD 的轻量化温室番茄成熟度检测

摘要：针对番茄果实成熟度检测中复杂背景和尺度变化引发的漏检与误检问题，以及现有方法在效率和部署上的局限性，提出一种基于YOLO-LTD 的轻量化温室番茄成熟度检测算法。该模型以YOLOv11-n 为基线，通过在主干网络中引入交叉注意力模块，减弱叶片、枝干和果实间的遮挡对检测精度的干扰，增强对关键区域的特征提取能力；在颈部网络中采用轻量化的GSConv 模块替代标准卷积，在保持网络特征表达能力的同时，优化网络结构的计算效率，减少模型的参数量和计算复杂度；在头部网络中嵌入自适应空间特征融合模块，以缓解不同尺度特征间的不一致性问题，进一步提升模型的鲁棒性和泛化能力。试验结果表明，YOLO-LTD 在平均精度均值（mAP）、召回率R 和精度P 上分别达到94.23%、95.44%和92.07%，推理时间为7.21 ms，模型大小仅为5.18 Mb。与YOLOv11-n 相比，mAP、召回率和准确率分别提升2.50、2.80 和1.60 百分点，同时具备更高的效率和更小的模型尺寸。与MaskR-CNN、Faster R-CNN 及YOLO 系列模型相比，YOLO-LTD 在精度与效率上均具有优势，展现出在温室环境中广泛应用的潜力，为果园产量估算、作物生长监测、种植管理优化及番茄采摘机器人开发提供了理论依据和技术支持。