轻量化模型能实现番茄成熟度精准检测吗？

番茄是全球广泛种植的经济作物，富含番茄红素和维生素C等营养成分，在露地和温室环境中均能生长。但番茄成熟过程不同步，同一植株上常同时存在绿色未成熟、转色、成熟等不同阶段的果实，且采后货架期较短，精准及时的成熟度评估对减少采后损失、维持供应链产品质量至关重要。据统计，我国水果采后平均损失达20%，年经济损失超1000亿元；而发达国家这一比例通常低于5%，部分仅1%–2%。成熟不同步导致种植者误判采摘时机，是造成差距的主要原因之一。在温室番茄生产中，劳动力成本占净利润的44.5%以上，目前采收和分拣主要依赖人工，效率低、强度大且成本持续上升。同时，自然环境中的检测面临诸多挑战：光照变化严重影响识别精度，枝叶遮挡、土壤杂草等复杂背景易干扰果实特征提取，导致评估错误。那么，如何在复杂条件下实现番茄成熟度精准检测，同时让模型足够轻量化以适应实际应用？

针对这一问题，广西科技大学广西科技大学电子工程学院方志杰教授、孙子君副研究员等提出了一种轻量化番茄成熟度检测模型——YOLOv11-MHS。该模型在YOLOv11n基础上进行了三项关键改进：首先，设计C3k2_MSCB模块，整合多尺度卷积块，能同时提取和融合不同尺度的特征，提升检测精度；其次，重新设计模型的neck部分，采用高级特征筛选-融合金字塔结构，不仅能融合关键特征，提高杂乱环境下的鲁棒性，还能减小模型大小；最后，在C2PSA模块中引入空间和通道协同注意力机制，增强模型处理复杂场景的能力。相关文章已发表于《农业科学与工程前沿》（英文）（DOI: 10.15302/J-FASE-2025657）。

实验结果显示，与基线模型YOLOv11n相比，YOLOv11-MHS在mAP0.5指标上提升了1.7%，mAP0.5-0.95提升了2.9%；同时参数减少了35.2%，模型大小减少了32.7%。在与Faster-RCNN、YOLOv7、YOLOv8n等主流模型的对比中，YOLOv11-MHS在精度、召回率、平均精度均值等指标上均更优，且轻量化优势明显，计算量（GFLOPs）、参数数量和内存占用均低于其他模型。在复杂场景测试中，背光环境下仅YOLOv11-MHS能定位最左边的未成熟番茄；阴影环境中其他模型均漏检部分果实；枝叶遮挡场景下，YOLOv11-MHS与Faster-RCNN、改进YOLOv5s一样实现了零漏检，鲁棒性更强。

本研究为番茄成熟度检测提供了技术支持，其轻量化特点便于部署在资源有限的设备上。未来，该模型有望集成到自主采摘机器人或果园监控系统中，推进精准农业发展，减少劳动力成本，提高番茄生产效率和智能化水平。