밀집된 감귤류 과일 검출 경량화 방법

복잡한 과수원 환경에서 감귤류 과일의 밀집 분포, 잎사귀 가림, 작은 크기로 인해 발생하는 낮은 검출 정확도, 높은 오탐율, 모델 경량화의 한계점을 해결하고자, 개선된 YOLO11 아키텍처 기반의 경량 소형 객체 감귤류 검출 모델인 SOCD-YOLO를 제안한다. 본 연구는 세 가지 핵심 개선사항을 포함한다. 첫째, Triplet Attention 메커니즘과 요소별 곱셈을 통합한 DLTBlock을 설계하여 C3k2 모듈을 재구성함으로써 고차원 특징의 비선형 융합을 강화하고, 잎사귀 가림 및 복잡한 배경 간섭을 효과적으로 억제하여 과일 인식의 견고성을 높였다. 둘째, 기존 다운샘플링을 ADown 모듈로 대체하여 소형 객체 특징의 정보 손실을 줄이고 모델 파라미터 및 계산 복잡도를 감소시켜 인식 정확도를 향상시켰다. 셋째, 경량 P2FP 구조를 구축하여 작고 밀집된 객체 식별 능력을 강화하고 오탐율을 크게 줄였다. 실험 결과, CitDet 데이터셋에서 제안 모델은 Precision, Recall, mAP에서 각각 4.3%, 6.3%, 5.6% 향상되었으며, 파라미터 수와 모델 크기는 1.5M 및 3.5MB로 감소하고 FPS는 103.5 프레임/초에 도달했다. Tomato 및 PASCAL VOC 2007 데이터셋에서도 일관된 성능 향상을 보였다. SOCD-YOLO는 감귤류 과일 검출 정확도 및 견고성 측면에서 기존 객체 검출 모델 대비 향상된 성능을 입증하였다. 이는 밀집된 가림 환경에서 인공지능 기반의 실시간 과일 검출 및 위치 측정에 귀중한 참고 자료를 제공한다.