基于改进YOLOv11的Jujube-YOLO模型：非结构化环境下红枣果实精准识别与裂纹检测新方法

为解决非结构化环境中红枣果实检测精度低、裂纹识别困难的问题，研究人员提出基于YOLOv11改进的Jujube-YOLO模型。通过引入双卷积压缩激励模块（DCSE）、矩形自校准模块（RCM）和多分支通道注意力（MBCA），模型实现98.37%精确度与97.65% mAP@0.5 ，显著优于Faster R-CNN、YOLOv8n等主流算法，为果园智能化分选与采收提供理论支持。

　　

在新疆阿拉尔市十二团红枣基地的果园中，成熟的红枣果实常因枝叶遮挡、光照变化和裂纹特征细微而难以被传统视觉算法准确识别。这一问题直接影响了自动化采收效率和果实品质分级。当前主流模型如YOLOv3-tiny和YOLOv5n在复杂环境下表现不佳，尤其难以区分裂纹果与无裂纹果——后者因易腐烂需优先采收。针对这一挑战，东北农业大学的研究团队开发了Jujube-YOLO模型，相关成果发表于《Expert Systems with Applications》。

研究团队通过整合双卷积压缩激励模块（DCSE）增强主干网络特征表达，采用矩形自校准模块（RCM）优化多尺度上下文信息提取，并设计多分支通道注意力（MBCA）实现浅层细节与深层语义信息的有效融合。实验使用新疆果园实地采集的红枣图像数据集，包含裂纹果与无裂纹果两类标注样本。

数据集构建
在自然光照条件下采集的1,536张红枣图像被划分为训练集（1,075张）、验证集（230张）和测试集（231张），通过数据增强技术模拟不同环境条件。

消融实验
逐步引入DCSE、C3k2_RCM和MBCA模块后，模型mAP@_0.5
从基线YOLOv11n的94.12%提升至97.65%，F1分数达96.63%，证实各模块对特征提取的关键作用。

对比实验
Jujube-YOLO以98.37%精确度超越对比模型，较YOLOv8n（92.45%）提升5.92个百分点，检测速度达147 FPS，满足实时性需求。

环境适应性分析
模型在强光、阴影和50%遮挡条件下仍保持93.4%以上的识别率，17.3MB的轻量化设计适配边缘设备部署。

该研究首次将改进的YOLOv11架构应用于红枣裂纹检测领域，提出的DCSE模块通过双重卷积路径强化通道注意力，有效捕捉果皮细微纹理差异；MBCA模块则通过并行分支结构融合多尺度特征，解决叶片遮挡导致的特征丢失问题。实验证实模型可同步完成果实定位与品质分类，为后续采收机器人路径规划提供实时决策依据。作者开源了全部代码，其方法论对浆果类作物（如樱桃、蓝莓）的自动化分选亦有借鉴价值。