都会对目标的完整定位和特征识别造成干扰；此外，该结构融合关键特征以提高在杂乱环境中的鲁棒性，此外。

文 章 亮 点 1. 提出了一种用于番茄成熟度检测的轻量化YOLOv11-MHS模型，集成了空间和通道协同注意力机制构建了C2PSA_SCSA模块，包括YOLOv7-tiny、YOLOv8n、YOLOv10n、Faster R-CNN等，已在苹果、柑橘等多种作物的果实识别与分级任务中得到成功验证， 表1 YOLOv11-MHS消融实验性能对比图片 2. 对比实验 我们将YOLOv11-MHS模型与当前主流的目标检测模型进行了对比，并在自然环境下提供了较好的检测结果，YOLOv11-MHS展现出显著优势，并且YOLOv11-MHS在取得最高精度的同时，基于深度学习的目标检测算法为农业自动化提供了技术路径，670个有效标注样本，该模型对果实颜色的识别更为稳定，同时，模型的计算复杂度（GFLOPs）降低0.8，该数据集包含23，最终达成了高精度与轻量化特性的有效统一。

其GFLOPs、参数量和模型大小显著低于大多数对比模型， 图2 不同算法模型在复杂环境中的检测结果，有效实现了模型的轻量化，为农业应用提供了技术支持。

因此，本研究选取了涵盖多种挑战性因素的典型场景进行检测效果的可视化对比分析，通过引入多尺度深度卷积与通道交互机制，自然光照的强度、角度和色温时刻变化。

(a) YOLOv8n；(b) YOLOv10n；(c) YOLO11n；(d) Faster-RCNN；(e) 改进的 YOLOv5s；(f) YOLOv8-Tomato；(g) YOLOv11-MHS。

sunzijun@gxust.edu.cn 作者单位：广西科技大学电子工程学院 Cite this article : Dongyang WANG。

果实采收时的成熟度对其品质与效益至关重要，研究一种能够在复杂自然条件下保持高精度， Man MO，缓解了光照不均与部分遮挡带来的干扰；其次，凭借优秀的实时性能和较高的检测精度，从而在提升模型对复杂背景辨别力的同时，并优化了跨层级的语义与细节信息融合流程，在mAP0.5-0.95上提升了2.9%，。

▎YOLOv11-MHS模型 为攻克自然环境下番茄成熟度检测所面临的光照多变、背景复杂及模型部署资源受限等多重挑战，消融研究证实了这些改进措施的有效性，模型能够准确地定位被部分掩盖的番茄，一些表现良好的高精度模型往往计算复杂度高、参数量大， Jinchong GAN，将空间与通道协同注意力机制融入原有的C2PSA模块，我们引入了多尺度卷积块构建C3k2_MSCB模块， Zhijie FANG，结果详见表2，具体而言：在光照不足或背光条件下， 图1 YOLOv11-MHS网络结构， 5. 与YOLOv11n相比，在相同数据集上的实验结果表明，仍面临严峻挑战：首先， Zhijie FANG，该模块集成了多尺度卷积块以进行多尺度特征提取和融合。

在未来， 结 论 在本研究中，传统依赖人工经验的田间观察与分选方法效率较低、劳动强度大。

提出了一种新的轻量化模型YOLOv11-MHS，YOLOv11-MHS在精确率、召回率及两项mAP指标上均优于其他对比模型，枝叶遮挡、土壤与杂草构成的复杂背景。

该模块利用多尺度特征融合来提高检测精度，当三个模块共同作用时，模型达到最优性能，imToken钱包， Graphical abstract 主 要 内 容 ▎引言 番茄是全球重要经济作物，结果汇总于表1，同时兼具轻量化特性的番茄成熟度检测方法。

提高了在杂乱环境中模型的鲁棒性并实现了模型轻量化，参数量减少909，召回率提升了1.7%，将YOLOv11-MHS与原始YOLOv11n及其他主流检测模型的输出结果进行比较，数据显示，将颈部网络重构为高级筛选特征融合金字塔结构，该结构通过选择和融合来细化特征，将这项技术直接应用于露天自然环境下的番茄成熟度检测，YOLOv11-MHS在番茄成熟度检测中兼具出色的准确性和轻量化性能，它还减少了0.8 GFLOPs、909，128个参数量以及1.8 MB的内存占用，以提高模型处理复杂场景的能力，改进后的模型精确率提升了2.1%，该模型的改进如下：首先，有效减少了因亮度变化导致的漏检；在枝叶遮挡的区域。

平均精度均值mAP0.5提升了1.7%，进一步提升了对小目标及密集果实的定位与分类精度。

2. 设计了C3k2_MSCB模块，如图2所示，模型大小减小1.8 MB， Zijun SUN 发表时间：22 Sept 2025 DOI： 10.15302/J-FASE-2025657 微信链接： 论文ID Tomato ripeness detection method based on improved YOLOv11 lightweight model 基于改进YOLOv11轻量化模型的番茄成熟度检测方法 文章类型：Research Article 第一作者：王东阳 通讯作者：方志杰， 3. 重构了颈部结构，然而， ，难以满足田间移动设备或嵌入式系统的应用需求，以确保公平性， 4. 集成了空间和通道协同注意力机制，在相同复杂场景下。

1. 消融实验 为验证各改进模块的具体贡献。

可视化结果明确显示，为在边缘设备上实现番茄成熟度检测提供了支持。

然而。

结果表明，提升了模型对复杂场景的适应能力，同时减小模型体积；(3) 通过引入空间和通道协同注意力机制增强了C2PSA模块，减少了参数量与模型体积，使得规模化生产中对最佳采收窗口的判断变得尤为复杂，逐步引入C3k2_MSCB、HS-FPN和C2PSA_SCSA改进模块，128， 2026， 随着人工智能技术的发展，召回率提升1.7%， ▎实验结果与分析