基于主动学习与改进YOLO11的番茄缺陷智能分割与分级系统YOLO-ALDS

本文提出YOLO-ALDS框架，结合不确定性-多样性主动学习（UDAL）策略与改进的YOLO11-DS模型（引入动态卷积模块和SlideLoss函数），实现番茄表面缺陷高效标注（降低40%人工成本）与精准分割（mAP@0.5达84.1%），其智能分级系统准确率超96%，为农业自动化提供创新解决方案。

　　

Highlight

本研究亮点在于开发了集成主动学习与改进YOLO的番茄缺陷分析系统YOLO-ALDS。通过不确定性-多样性驱动采样(UDAL)策略显著降低标注成本，结合动态卷积增强的YOLO11-DS模型（含SlideLoss函数）精准捕捉裂纹/增生等复杂缺陷，最终构建的智能分级系统实现工业级应用性能。

Method

设备与数据采集

如图1所示，番茄智能分选系统包含进料模块、传送带、旋转果盘、图像采集柜、工控机及机械臂分拣模块。旋转果盘设计实现多角度图像采集，工业相机(2,048×2,048像素)在LED漫射光源下捕获高清缺陷图像，最终构建含8类缺陷的2,500样本数据集。

网络环境配置细节

实验基于PyTorch框架，采用随机水平翻转(50%概率)、平移(10%概率)等数据增强策略，前10轮训练启用Mosaic增强。重叠掩码机制处理实例分割任务，动态卷积模块替换原YOLO11标准卷积，SlideLoss函数动态调整难样本权重。

Discussion

相比传统方法，YOLO-ALDS在保持mAP@0.5领先0.8%的同时，对白斑/增生/裂纹的检测精度分别提升1.2%/1.7%/3.7%。动态卷积模块有效解决类内差异问题，而UDAL策略使标注效率提升40%以上，验证了数据-模型协同优化的有效性。

Conclusion and future work

本文通过UDAL框架与YOLO11-DS模型的创新结合，显著提升番茄缺陷分级的成本效益比。未来将探索跨作物泛化能力，并开发轻量化版本以适应边缘计算设备部署需求。

（注：严格保留原文技术术语如YOLO11-DS/mAP@0.5等，动态描述如"旋转果盘设计""工业级应用性能"等增强可读性，省略文献引用标识符）