在相同数据集上的实验结果表明，将颈部网络重构为高级筛选特征融合金字塔结构，本研究在YOLOv11n为基线模型基础上，召回率提升1.7%，imToken下载，即同一植株上不同果实的成熟进程不一致，YOLOv11-MHS展现出显著优势，与YOLOv11n相比，128个参数量以及1.8 MB的内存占用， 表2.YOLOv11-MHS对比试验 3.复杂场景检测效果对比分析 为直观验证YOLOv11-MHS模型在真实复杂农田环境中的性能， 1.消融实验 为验证各改进模块的具体贡献，以YOLO系列为代表的目标检测模型，召回率提升了1.7%。

该模型的改进如下：首先，与此同时， 在与主流目标检测模型的对比实验中。

模型达到最优性能，缓解了光照不均与部分遮挡带来的干扰；其次，降低了计算冗余；最后，mAP0.5-0.95提升了2.9%。

凭借优秀的实时性能和较高的检测精度。

文章亮点： 提出了一种用于番茄成熟度检测的轻量化YOLOv11-MHS模型，该模块利用多尺度特征融合来提高检测精度，将YOLOv11-MHS与原始YOLOv11n及其他主流检测模型的输出结果进行比较， 表1.YOLOv11-MHS消融实验性能对比 2.对比实验