农业机械学报

作者：刘浩蓬，杨云潇，康启新，张国忠，张乐妍，卫佳

单位：华中农业大学;农业农村部长江中下游农业装备重点实验室,华中农业大学,华中农业大学,华中农业大学;农业农村部长江中下游农业装备重点实验室,华中农业大学,华中农业大学;农业农村部长江中下游农业装备重点实验室,

关键词：藠头识别;目标关键点检测;BMR-YOLO 11n-Pose;深度学习

基金：国家特色蔬菜产业技术体系专项（CARS-24-D-02）和湖北省高等学校优秀中青年科技创新团队计划项目（T201934）

针对藠头形态不规则，在检测过程中存在特征表达失真、外形难以提取等问题，本文提出基于深度学习的多尺度关键点识别与分类方法，可通过识别藠头顶点及横径的两端点提取其外形特征，同时基于决策树算法对藠头尺寸和外形等特征进行准确分类。首先以YOLO 11n-Pose为基线模型，在颈部引入双层路由注意力机制（BRA）、特征增强层（MobileNet Variants）和通道混洗的重参数化卷积（RCS），构建了BMR-YOLO 11n-Pose模型。相较于基线模型，本文模型的关键点识别精确率（Pose-P）和检测框识别精确率（Box-P）分别提升0.9、1.9个百分点，其平均精度mAP0.5-0.95提升1.9个百分点。进而基于决策树算法对藠头的外形特征分别进行尺寸分类和弯曲程度分类，其分类模型精确率分别为92.87%和84.72%，相比原基线模型分别增加11.19、8.39个百分点，有效提升了藠头外形特征的分类精度。本研究可为藠头位姿识别和分类作业等应用场景提供理论参考和技术支撑。

来源：2025年第11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11期