基于改进YOLO11-FC2T模型的太秋甜柿转色期检测与因果分析研究

《Frontiers in Plant Science》：Detection of Taiqiu sweet persimmons during the color-transition period with an improved YOLO11-FC2T model and causal analysis

本研究提出一种改进的YOLO11-FC2T检测模型，通过引入C3k2_FasterBlock、C2PSA_CGA、DySample-T和CAFMAttention四大核心模块，结合DiffuseMix数据增强策略，有效解决了太秋甜柿转色期存在的色-背景耦合、小目标粘连、光照不均等检测难题。实验表明，该模型在mAP@0.5-0.95指标上较基线提升4.0%，误检率降低45.2%，兼具优异的泛化能力和实时部署潜力，为精准农业中的果实智能识别提供了创新解决方案。

　　

引言

太秋甜柿转色期的高效检测对产量预估和智能管理至关重要。针对该时期果实与叶片色差小、背景复杂、光照多变等挑战，本研究开发了YOLO11-FC2T模型，通过系统性结构改进提升检测鲁棒性。

材料与方法

数据采集自山西临猗县种植基地，采用标准化协议获取转色期图像。核心改进包括：

1. 1.
   C3k2_FasterBlock模块引入部分卷积（PConv）提升特征提取效率；
2. 2.
   C2PSA_CGA通过级联组注意力（CGA）增强空间上下文建模；
3. 3.
   DySample-T三层动态上采样结构优化多尺度特征融合；
4. 4.
   CAFMAttention模块结合局部卷积与全局注意力机制强化目标分离能力。
   同时采用DiffuseMix数据增强策略，通过扩散模型生成符合真实分布的增强样本，显著提升模型在复杂场景下的泛化性能。

结果

1. 1.
   性能对比：YOLO11-FC2T在精确率（91.7%）、召回率（86.7%）和mAP@0.5-0.95（81.2%）上均优于主流检测模型，参数量仅增加13.9%仍保持轻量化特性。
2. 2.
   消融实验：模块组合呈现协同增益，全模型配置下mAP@0.5提升达1.6%。
3. 3.
   因果验证：基于平均处理效应（ATE）的量化分析表明，结构改进与数据增强策略对性能提升贡献显著（p<0.05）。
4. 4.
   极端场景测试：在537张尾案例数据集上，误检率低至1.30%，较基线降低45.2%。
5. 5.
   跨条件验证：在设备、拍摄环境差异的跨条件测试集上仍保持最优泛化能力。

讨论

热力图可视化显示模型注意力更集中于果实轮廓，有效抑制叶片干扰。训练过程曲线平稳，混淆矩阵对角线元素占比高，验证了模型优化的稳定性。该研究为果树转色期检测提供了可解释、可部署的解决方案，对精准农业实践具有推广价值。