基于改进YOLOv11n-Seg算法的草莓损伤实时检测与智能分级系统研究及其在食品质量安全中的应用

《Journal of Food Composition and Analysis》：Real-time Detection and Intelligent Sorting Algorithm for Strawberry Bruise in Food Applications

本研究提出改进的YOLOv11n-Seg模型，通过引入感受野注意力卷积（RFAConv）和单头自注意力模块（SHSA），结合Shape-IOU损失函数，显著提升草莓损伤检测的精确度（mAP达83.6%）与实时分级效率，为果蔬品质智能检测提供创新解决方案。

　　

Highlight

草莓样本采集

2025年3-5月生长季期间，从北京本地食品超市采购800颗"红颜"草莓。所有果实均在同一批次同时采购，具有高度一致的尺寸和成熟度。草莓经室温清洗干燥后，分为自然损伤组与无损伤组。对无损伤组完成拍摄取样后，使用质地分析仪进行室温压缩实验（探头直径5mm，压缩速率2mm/s，压缩深度5mm），人工制造机械损伤。最终获得含1600张样本图像的数据集（800张无损伤/800张损伤），按7:2:1比例划分训练集、验证集与测试集。

Methods

实例分割作为一种计算机视觉技术，其核心在于识别并分割图像中的独立对象（Guo et al.,2024）。与传统目标检测不同，该技术不仅能识别目标物体，还能精确分割每个对象的轮廓形态，实现目标与背景的精准分离（Perez-Borrero et al.,2021）。YOLOv11n-Seg作为ultralytics发布的最新实例分割模型，既继承了YOLO系列单阶段检测框架的高速推理特性，又具备卓越的检测精度（Huang et al.,2025）。本文针对草莓损伤分级检测任务进行算法优化：首先在骨干网络引入感受野注意力卷积（RFAConv）（Zhang et al.,2023）替代原普通卷积，通过动态分配卷积核权重提升模型精度；其次采用单头自注意力模块（SHSA）（Yun et al.,2024）减少冗余计算，在保持精度前提下实现模型轻量化；最终采用Shape-IOU（Zhang et al.,2023）损失函数进一步提升模型收敛速度与检测精度。

Experimental environment

本实验采用Windows 10操作系统与PyTorch深度学习框架。环境配置详细信息如下：CPU为Intel Core i7，GPU采用NVIDIA GeForce RTX 2080 Ti，torch版本为2.0.0+cu118。训练阶段超参数设置：输入图像尺寸未指定像素，批处理量为16，加载预训练权重，使用随机梯度下降（SGD）优化器，训练轮次为100轮。学习率初始设为0.01，最终值设置为0.01，动量参数为0.937，权重衰减系数为0.0005。

Application

实验结果表明，改进模型能精确定位与分割草莓损伤区域。分级结果与人工标注高度一致，适用于草莓损伤检测与分级任务。本研究同步开发了基于PC端和移动端的草莓损伤检测系统，为实际应用提供多平台解决方案。

Conclusion

针对草莓采运过程中损伤快速精准检测难题，本文提出基于YOLOv11n-Seg的草莓损伤检测与分级算法，实现了草莓损伤的快速精准检测与分级。主要结论如下：

改进后的YOLOv11n-Seg模型在自建数据集上达到84.9%精确率、72.5%召回率及83.8%mAP值（边界框级别），较原模型提升2.2、3.4和2.8个百分点。与主流分割模型Mask-RCNN、YOLOv5s-Seg、YOLOv8n-Seg相比，在掩码级别的mAP分别高出6.0、4.4和1.8个百分点。改进模型有效降低了草莓损伤的漏检与误检，提供更精准的损伤目标定位。将其部署于自动化草莓分级装置，可实现草莓全自动分选，减少人力与时间消耗，提升草莓分选效率。