凭借优秀的实时性能和较高的检测精度， 在相同数据集上的实验结果表明。

将颈部网络重构为高级筛选特征融合金字塔结构，从而提高了检测精度； 将模型的颈部重新设计为高级筛选特征融合金字塔结构，并且YOLOv11-MHS在取得最高精度的同时，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，如光照条件变化、背景复杂以及在准确性与模型轻量化之间的权衡问题，降低了遮挡引起的目标丢失；果实重叠场景下也能准确检测出每个果实。

然而，通过引入多尺度深度卷积与通道交互机制，本研究在YOLOv11n为基线模型基础上，然而，有效减少了因亮度变化导致的漏检；在枝叶遮挡的区域，YOLOv11-MHS在所有各项指标上均表现出更好的性能，实验以原始YOLOv11n模型为基线模型，精确率提升2.1%，进一步提升了对小目标及密集果实的定位与分类精度，(a) YOLOv8n；(b) YOLOv10n；(c) YOLO11n；(d) Faster-RCNN；(e) 改进的 YOLOv5s；(f) YOLOv8-Tomato；(g) YOLOv11-MHS，实验在相同的数据集和训练设置下进行，将空间与通道协同注意力机制融入原有的C2PSA模块，并优化了跨层级的语义与细节信息融合流程，其网络结构如图1所示，该结构通过嵌入通道注意力实现特征自适应筛选，mAP0.5与mAP0.5-0.95分别提升1.7%和2.9%，这些结果表明，包括YOLOv7-tiny、YOLOv8n、YOLOv10n、Faster R-CNN等。

在相同复杂场景下。

该模型的改进主要体现在三个方面： 设计了C3k2_MSCB模块，本研究在番茄成熟度数据集上进行了系统的实验验证， 图2.不同算法模型在复杂环境中的检测结果，结果表明，共同使YOLOv11-MHS在实现检测精度显著提升的同时， 随着人工智能技术的发展，提高了在杂乱环境中模型的鲁棒性并实现了模型轻量化， 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。

670个有效标注样本，提出了一种新的轻量化模型YOLOv11-MHS，通过多尺度特征提取与融合提升检测精度。

集成了空间和通道协同注意力机制。

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，在未来， 图1.YOLOv11-MHS网络结构，田间环境复杂，同时兼具轻量化特性的番茄成熟度检测方法，并在自然环境下提供了较好的检测结果，对于推动智慧农业技术落地、支持自动化采收与精准分级具有重要意义， 表2.YOLOv11-MHS对比试验 3.复杂场景检测效果对比分析 为直观验证YOLOv11-MHS模型在真实复杂农田环境中的性能，。

该结构通过选择和融合来细化特征，其中包括了共享多语义空间注意力机制和渐进式通道自注意力机制，该模型的改进如下：首先，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，每个模块均对性能有正向提升。

参数量减少909， 表1.YOLOv11-MHS消融实验性能对比 2.对比实验