农业机械学报

作者：朱婷婷，滕广，张亚军，倪超，何惠彬

单位：南京林业大学,南京林业大学,南京林业大学,南京林业大学,福建省机械科学研究院,

关键词：番茄;缺陷检测;YOLO v11;小波深度可分离卷积;深度学习

基金：福建省技术创新重点攻关及产业化项目（2023G015）

传统的番茄缺陷检测主要依赖于人工分拣，存在效率低、漏检率高等问题。为此，提出了一种改进的YOLO v11番茄缺陷检测方法TDD-YOLO（Tomato defect detection YOLO），实现对番茄表面白斑、增生、凹陷、裂口、变质5种缺陷的自动检测。首先，融合小波深度可分离卷积模块构建新的HE-Head层，在保持模型轻量化的同时提升模型对小目标的检测能力（如白斑）;其次，使用WC3k2模块替换原有C3k2模块，扩大模型在特征提取阶段的感受野，同时使用动态上采样方法取代原有的上采样，实现对模型推理效率的提升和轻量化;最后，使用自适应阈值焦点损失函数加强对样本的关注度，提高识别精度。设计实验验证所提方法性能，实验结果表明本文所提的TDD-YOLO模型番茄表面缺陷整体识别精度为89.0%、召回率为84.9%、F1分数为86.9%、平均精度均值为88.0%，识别效果明显优于现有的YOLO系列模型以及Faster R-CNN和EfficientDet模型。此外，TDD-YOLO模型检测速度为142.89f/s，满足实时检测速度要求，为番茄检测规范化和工业化提供重要技术支撑。

来源：2025年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第6期