Research on a natural scene Korla pear detection method based on ECA and BiFPN improved YoloV11
Notice bibliographique
Résumé
Aiming at the key technical challenges of complex background noise interference, fruit mutual occlusion, and multi-scale object recognition in natural scene Korla pear detection tasks, an improved YoloV11 object detection algorithm integrating the Efficient Channel Attention (ECA) mechanism and Bidirectional Feature Pyramid Network (BiFPN) is proposed (ECABiFPN-YOLOv11). By introducing the ECA module to adaptively optimize feature channel weights and combining the BiFPN architecture to achieve efficient cross-level feature fusion, the model’s perception and expression capabilities for multi-scale features of Korla pear objects are significantly enhanced. The experimental results show that the improved model reaches 86.8% on the mean average precision (mAP50) index, which is 4.7 percentage points higher than that of the original YoloV11 (82.1%). The mAP@0.5:0.95 value is 62.7%, which is 4.4% higher than that of the original model. The training box_loss (final) value is 3.7% lower than that of the original model, and the verification box_loss (final) value is 3.6% lower than that of the original model. These results provide reliable technical support for the research and development of automatic grading and sorting of fragrant pear fruits and intelligent picking systems in the field of smart agriculture.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».