A Lightweight Greenhouse Tomato Fruit Identification Method Based on Improved YOLOv11n
Notice bibliographique
Résumé
The aim of this paper is to propose an improved lightweight YOLOv11 detection method in response to the difficulty of extracting tomato fruit features in greenhouse environments and the need for lightweight picking equipment. Firstly, the conventional step convolution is substituted by the Average pooling Downsampling (ADown) module with multi-path fusion; Gated Convolution (gConv) is incorporated in the C3K2 module, which considerably reduces the number of parameters and computation of the model. Concurrently, the Lightweight Shared Convolutional Detection (LSCD) is incorporated into the detection head component with to the aim of further reducing the computational complexity. Finally, the Wise–Powerful intersection over Union (Wise-PIoU) loss function is employed to optimise the model accuracy, and the effectiveness of each improvement module is verified by means of ablation experiments. The experimental results demonstrate that the precision of ACLW-YOLO (A stands for ADown, C stands for C3K2_gConv, L stands for LSCD, and W stands for Wise-PIoU) reaches 94.2%, the recall (R) is 92.0%, and the mean average precision (mAP) is 95.2%. Meanwhile, the model size is only 3.3 MB, the number of parameters is 1.6 M, and the floating-point computation is 3.9 GFLOPs. The ACLW-YOLO model enhances the precision of detection through its lightweight design, while concurrently achieving a substantial reduction in computational complexity and memory utilisation. The study demonstrates that the enhanced model exhibits superior recognition performance for various tomato fruits, thereby providing a robust theoretical and technical foundation for the automation of greenhouse tomato picking processes.
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 | 0,001 |
| 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 ».