内容简介：针对中药材图像识别中存在的复杂背景、遮挡及光照变化等问题，构建了一个涵盖76种中草药、两万余张图像的大规模数据集，并通过多种数据增强提升模型泛化能力。在YOLO11n基础上，提出改进模型SEC-YOLO，引入C3k2_Star模块、ECA_SR注意力机制及C2PSA_CGLU模块，提升复杂环境下的识别性能，并优化特征融合结构与检测头设计，增强对小目标与混叠药材的检测能力。改进模型平均精度均值（mAP）达98.0%，权重文件3.7 MB，计算量4.7G，参数量1.80M，相较于YOLO11n，权重文件大小降低了30.1%，计算量下降了28.7%，参数量下降了31.0%。其检测精度和检测速度均满足实时检测要求。实验结果表明，SEC-YOLO在保证轻量化的同时实现高精度、实时性识别，为中药材自动化识别提供了有力支持。