Tomato ripeness detection method based on FasterNet block and attention mechanism
Notice bibliographique
Résumé
In modern agriculture, accurate detection of tomato maturity is crucial for efficient harvesting and grading. Traditional detection methods rely on manual experience, which is time-consuming, inefficient, and prone to subjective interference, making them unsuitable for large-scale production. To address this, this study proposes a tomato maturity detection model based on an improved YOLOv11n, incorporating the C3k2-Faster-EMA module to enhance the model's feature extraction capability and detection efficiency. In addition, the SimAM attention mechanism is introduced, enabling the model to intelligently focus on key features of the tomatoes, thereby improving its ability to recognize tomatoes at different maturity stages and enhancing detection accuracy. Furthermore, the generalized intersection over union loss function is employed to introduce a target box overlap metric, optimizing the object localization process and improving the precision of fruit positioning. Experimental results on the tomato maturity dataset show that the proposed method performs excellently in tomato maturity detection, achieving an mAP of 86.0% and an accuracy of 85.4%. Compared to the baseline model, the number of parameters is reduced by 11.2%, while the frames-per-second detection speed is increased by 23.1%, with significant improvements in stability. This provides reliable technical support for intelligent harvesting and grading, with broad application prospects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».