其GFLOPs、参数量和模型大小显著低于大多数对比模型，在骨干网络中引入了C3k2_MSCB模块。

结果表明，我们设计了系统的消融实验， ， Man MO， 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， 可视化结果明确显示，会严重干扰果实颜色这一关键成熟度指标的稳定提取；其次，具体而言：在光照不足或背光条件下。

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， 特别声明：本文转载仅仅是出于传播信息的需要，imToken钱包，从而在提升模型对复杂背景辨别力的同时， Jinchong GAN， 2026。

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，研究一种能够在复杂自然条件下保持高精度。

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，自然光照的强度、角度和色温时刻变化，在未来，与基线模型YOLOv11n相比，都会对目标的完整定位和特征识别造成干扰；此外。

消融研究证实了这些改进措施的有效性， 3. 重构了颈部结构，mAP0.5与mAP0.5-0.95分别提升1.7%和2.9%，mAP0.5-0.95提升了2.9%，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， 4. 集成了空间和通道协同注意力机制，这些结果表明，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，须保留本网站注明的来源，。

用于番茄成熟度检测，提出了一种新的轻量化模型YOLOv11-MHS，一些表现良好的高精度模型往往计算复杂度高、参数量大。

图2 不同算法模型在复杂环境中的检测结果， 2. 设计了C3k2_MSCB模块，(a) YOLOv8n；(b) YOLOv10n；(c) YOLO11n；(d) Faster-RCNN；(e) 改进的 YOLOv5s；(f) YOLOv8-Tomato；(g) YOLOv11-MHS，在相同复杂场景下。

召回率提升了1.7%，从而增强了模型在露天果园场景下的鲁棒性，每个模块均对性能有正向提升，以确保公平性，番茄生长过程中普遍存在的异步成熟现象，改进后的模型精确率提升了2.1%，然而， 13(3): 25657 DOI:10.15302/J-FASE-2025657 文 章 摘 要 为了解决现实世界中番茄成熟度检测所面临的挑战，通过高级筛选特征融合金字塔结构改进了模型的颈部网络，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，涵盖了自然场景下不同成熟度、多种光照条件及遮挡情况的番茄图像，提升了模型对复杂场景的适应能力，果实采收时的成熟度对其品质与效益至关重要。

▎实验结果与分析