一种基于改进YOLO11n的中草药植株识别检测方法

本文提出了一种基于改进YOLO11n的中草药植株识别检测方法，在主干网络中构建重参数化异构多尺度模块，显著增强了模型对植株多尺度形态特征的表征能力；在颈部网络中引入高效上采样卷积模块，有效遏制了特征传递过程中的空间信息流失，实现了更精准的目标边界定位；在检测头前集成了多尺度卷积注意力机制，通过拓宽感受野实现了对复杂野外背景噪声的高效抑制。实验结果表明，REM‑YOLO在中草药数据集上的mAP50达到了85.7%，较原生YOLOv11n提升了1.5%；同时，其计算量压缩至5.3GFLOPs，相比YOLOv8n降低了28.4%，推理速度大幅攀升至198.2fps。该算法在保持实时检测速度的前提下，展现出极强的鲁棒性与泛化能力，为中草药自动化识别与资源调查提供了一种高效、可靠的技术方案。