GCP-YOLO : high-precision detection of tiny chili flowers in complex greenhouse scenes

Abstract

Точное обнаружение крошечных цветков и бутонов перца чили имеет важное значение для интеллектуального мониторинга теплиц, роботизированного опыления и раннего прогнозирования урожая. Однако надежное визуальное обнаружение остается сложной задачей из-за сверхмалого размера объектов, их плотного распределения, сильного перекрытия листвой и резких изменений освещения в тепличных условиях. Традиционные облегченные модели YOLO страдают от недостаточного извлечения детальных признаков и уязвимы к фоновым помехам, что приводит к высокому проценту пропущенных и ложных обнаружений. Для решения этих проблем в данной статье предлагается модель GCP-YOLO на основе YOLOv11n. Precise detection of tiny chili flowers and buds is essential for intelligent greenhouse monitoring, robotic pollination, and early yield prediction. However, reliable visual detection remains challenging due to ultra-small target size, dense distribution, severe foliage occlusion, and dramatic illumination variations in greenhouse environments. Traditional lightweight YOLO models suffer from insufficient fine grained feature extraction and are vulnerable to background interference, resulting in high missed and false detection rates. To address these problems, this paper proposes GCP-YOLO based on YOLOv11n.