CBSYOLO：复杂环境下的轻量化葡萄果实检测算法
来源：江苏农业科学杂志2025年第第13期北京时间：
作者：李刚;陈琳;卢承方;郜潘栓;龚程杰
单位：长江大学计算机科学学院，湖北荆州 434000
摘要：针对复杂采摘环境中葡萄果实因叶片和枝蔓遮挡、果实分布密集且簇间边界模糊，以及传统检测模型计算量大、不易部署于移动终端等问题。基于YOLO 11n模型，提出一种改进的轻量化葡萄果实检测模型CBS-YOLO。首先，设计了全新的C3k2_Faster_CAA模块，使用FasterBlock模块替换原主干网络中C3k2的Bottleneck模块，以提升模型的计算效率；在此基础上，引入上下文锚点注意力机制，进一步增强模型的上下文特征提取能力。针对葡萄果实因紧密堆叠和复杂背景引发的目标区分困难问题，在颈部网络中融入BiFPN结构，以增强模型对重叠果实及密集分布目标的检测能力，同时有效减少背景干扰。此外，为应对采摘环境中光照变化及叶片遮挡带来的检测难题，在检测头中引入多头注意力机制，构建Detect_SEAM模块，从而更好地捕捉果实区域的关键特征，提升模型在复杂环境下的鲁棒性和检测性能。结果表明，CBS-YOLO在综合性能上均优于主流检测模型，其精确率、召回率、mAP50的全类别均值分别达92.2%、90.3%、94.6%，较基准模型YOLO 11n分别提升2.8、2.1、1.9百分点。同时，模型参数量和浮点运算量分别减少44.7%、36.5%。该模型在保持高精度的同时实现了轻量化效果，为复杂场景下的葡萄果实高效检测提供了有效方案，并为资源有限设备的实际应用提供了技术支持。
关键词：葡萄果实识别;YOLO 11n;轻量化模型;目标检测;深度学习
