《Sensors》：Research on an Improved YOLOv11-Based Detection Method for Harvestable Safflower Filaments in Unstructured Environments
编辑推荐：
为满足智能红花收获场景对红花识别模型低计算成本和高检测性能的需求，研究人员提出了一种基于YOLOv11n的轻量化改进模型，命名为YOLOv11n-Starnet-ADown。为减小模型尺寸，采用Starnet网络替换YOLOv11n的骨干网络。为增强小目标检测
为满足智能红花收获场景对红花识别模型低计算成本和高检测性能的需求，研究人员提出了一种基于YOLOv11n的轻量化改进模型，命名为YOLOv11n-Starnet-ADown。为减小模型尺寸，采用Starnet网络替换YOLOv11n的骨干网络。为增强小目标检测能力并进一步降低内存占用，使用ADown模块替换YOLOv11n颈部网络中的标准卷积下采样模块。该模型在自建红花数据集上进行了实验验证。结果表明，模型总体精度（Precision）为91.6%，召回率（Recall）为87.8%，平均精度均值（mAP@0.5）为92%；可收获红花花丝识别准确率达到96.5%；模型内存占用为3.66 MB，相比基线YOLOv11n模型减少29.9%。最后，将YOLOv11n-Starnet-ADown与四种传统模型在不同场景下进行检测性能对比，证实了所提出模型的有效性。该模型在阴天、遮挡和逆光等多种复杂条件下表现出稳定的检测性能，充分满足真实环境中红花花丝检测的基本要求。总体而言，该工作为非结构化环境中红花花丝的智能收获提供了一种轻量化技术方案。
**论文解读：基于YOLOv11n的轻量化红花花丝检测方法**
红花（*Carthamus tinctorius*）因其在医药、纺织染色等领域的广泛应用而具有较高经济价值。然而，红花花丝成熟度差异大、花期短，传统人工多次采摘方式效率低、劳动强度大、成本高，制约了红花产业规模化与智能化发展。智能识别与机械化采摘成为趋势，但现有技术面临诸多挑战：非结构化环境中光照变化、杂草遮挡、枝叶重叠、背景复杂导致目标漏检与误检；红花花丝三类目标（成熟花丝、未成熟花丝、花蕾）形态相似、尺寸微小，细粒度分类检测困难；同时，收获机器人作为嵌入式终端设备，硬件算力与存储资源有限，高精度大模型推理延迟高，而常见轻量化模型存在精度下降、特征提取能力不足的问题。因此，在保持低计算成本的同时实现高检测精度，成为红花花丝检测模型面临的双重技术难题。
研究人员基于YOLOv11n基线模型，提出了一种轻量化改进模型YOLOv11n-Starnet-ADown，并发表在《Sensors》期刊。该研究通过构建自建红花数据集、筛选基线模型、引入Starnet轻量化骨干网络、采用ADown下采样模块、优化骨干网络深度参数，最终在保证检测精度的前提下显著降低模型内存占用，为智能红花收获提供了轻量化技术方案。实验结果表明，改进模型在总体精度、召回率、mAP@0.5等指标上保持良好，尤其对可收获成熟花丝的识别准确率达到96.5%，模型内存仅3.66 MB，相比基线减少29.9%。在阴天、遮挡、逆光等复杂场景下，模型表现稳定，满足实际环境检测需求。
**主要关键技术方法**（不超过250字）：
研究人员采用以下关键技术方法：①**Starnet轻量化骨干网络**：替换YOLOv11n原骨干，通过星操作（star operation）在低维空间实现高维特征表示，显著降低参数量与计算开销。②**ADown非对称下采样模块**：替换颈部网络中的标准卷积下采样，通过平均池化预处理、通道拆分与双路径并行下采样，保留小目标细节，减少特征丢失。③**骨干网络深度参数优化**：固定总深度为6，调整四阶段堆叠模块比例（最终配置[1,2,2,1]），增强中层纹理与形态特征提取能力。④**损失函数选择**：对比DIoU、EIoU、GIoU、ShapeIoU后选用CIoU损失函数，平衡精度与召回。⑤**自建数据集**：于2023年8–10月在新疆阿克苏地区温宿县新疆理工学院实验田采集原始图像1470张，经数据增强（拉伸、对比度调整、高斯模糊、尺寸调整）后得到3990张图像，标注为成熟（mature）、未成熟（immature）、花蕾（bud）三类，按7:2:1随机划分为训练集、验证集、测试集。
**研究结果**：
**4.1 实验条件**：在NVIDIA A5000 GPU（24 GB显存）、AMD Ryzen Threadripper PRO 3975WX处理器、384 GB RAM硬件环境下，采用PyTorch 2.10.0框架，输入图像统一为640×640像素，SGD优化器（初始学习率0.0001，批量大小64），训练300轮次，以最佳模型评估性能。
**4.2 不同损失函数性能比较**：通过对比DIoU、EIoU、GIoU、ShapeIoU四种损失函数，发现CIoU在精度、召回率上表现最优（精度91.6%，召回87.8%），mAP@0.5仅略低于GIoU（低0.3%），证明CIoU适合红花检测任务。
**4.3 消融实验与对比实验**：
**4.3.1 消融实验**：以YOLOv11n为基线，逐步引入Starnet骨干（A）、ADown下采样（B）、优化深度参数（C）。结果显示：单独引入A使模型尺寸从5.22 MB降至3.96 MB，但未成熟花丝AP从83.6%降至72.7%；单独引入B使精度达92.1%、召回90.5%、mAP@0.5 93.3%，为所有单模块最高；三模块融合（A+B+C）模型尺寸降至3.66 MB（降幅29.9%），精度91.6%，mAP@0.5 92.0%，成熟花丝AP 96.5%，未成熟花丝AP恢复至84.2%，优于基线，证明三者协同互补。
**4.3.2 不同模型对比实验**：与YOLOv5n、YOLOv8n、YOLOv11n及多种改进变体对比。YOLOv11n-Starnet-ADown模型尺寸最小（3.66 MB），成熟花丝AP达96.5%，仅次于YOLOv11n-SPDConv；精度91.6%，与YOLOv8n持平；mAP@0.5 92.0%，略低于YOLOv8n（93.7%）和YOLOv11n-SPDConv（93.6%），但推理速度（200 FPS）满足实时需求。在复杂场景检测效果图中，YOLOv11n-Starnet-ADown漏检与误检最少，目标定位准确。
**4.4 不同场景检测性能对比实验**：
**4.4.1 不同成熟度场景**：对成熟花丝，模型精度96.5%，mAP@0.5 97.3%，与基线相近；对未成熟花丝，精度与召回较低，但考虑红花收获主要关注成熟花丝，整体满足需求。
**4.4.2 不同光照条件**：顺光条件下，模型mAP@0.5达92.3%，为所有模型最高；逆光条件下，模型mAP@0.5 67.7%，高于其他模型（YOLOv8n 61.8%，YOLOv11n 66.4%），表现出最优抗逆光性；侧光条件下，模型mAP@0.5 88.5%，稳定可靠。
**4.4.3 遮挡场景**：模型召回率92.3%，较YOLOv11n-Starnet提高2.0个百分点，mAP@0.5 91.9%，与最佳单模块模型接近，表明ADown缓解了遮挡造成的漏检。
**4.4.4 不同天气条件**：晴天强光下，模型mAP@0.5 87.2%，低于YOLOv11n-Starnet（90.8%），需改进；阴天弱光下，模型精度91.4%、召回86.0%、mAP@0.5 91.4%，均显著优于其他对比模型，证明ADown与Starnet协同提升了低照度下的目标捕捉能力。
**总结与讨论**：
讨论部分指出，模型在强光晴天精度下降，可能源于Starnet轻量化通道压缩与ADown平均池化预处理在过曝区域导致细节丢失。目前轻量化改进仅在算法层面验证，未在边缘设备（如Jetson Nano、RK3588）上部署测试，实际推理延迟、功耗、内存占用需进一步硬件验证。数据集规模有限，存在过拟合风险，未来需扩充样本多样性并引入交叉验证。结论部分翻译如下：
(1) 针对红花收获设备对低漏检率、高精度、低计算成本的需求，基于YOLOv11n提出改进模型YOLOv11n-Starnet-ADown，采用Starnet替换骨干、ADown替换颈部下采样，优化Starnet深度参数（增加中层深度），并选用CIoU损失函数，构建红花数据集用于训练测试。
(2) 消融实验表明，YOLOv11n-Starnet-ADown综合性能优势明显：精度91.6%、召回87.8%、mAP@0.5 92%，成熟花丝AP 96.5%（高于基线0.3%），模型尺寸仅3.66 MB（降幅29.9%）。
(3) 对比实验表明，该模型在不同成熟度、侧光、顺光、遮挡、阴天等复杂场景下均表现出明显优势和高鲁棒性，满足红花花丝检测基本要求。
