Orchard worker detection using spatial-context attention on 2D LiDAR data

提出端到端视觉运动控制器，用仿真合成数据训练，零样本迁移到真实果园完成修剪。

提出轻量YOLOv12n改进模型，实现复杂果园中多成熟期蓝莓的实时检测。

构建柑橘果园AI框架，实现果实质量分级与动态产量估计，并评估多种分割与跟踪模型。

MDPI Agriculture 2026, 16(17), 1888, 2026年8月31日发表,作者来自华南农业大学工程学院和农业装备技术国家重点实验室。研究提出MangoNET,基于YOLOv11n的芒果果实与果柄联合检测框架,适用于复杂果园环境。P2高分辨率检测头保留小目标的精细空间信息,SPPF-ELAN聚合局部和上下文特征用于部分可见对象,SENet在光照变化下重新校准通道响应,WIoU v3调节具有不同定位质量的边界框样本。数据集包含1782张台农和金煌芒果原始图像,仅对训练集应用数据增强,将训练集大小从1172张增加到2886张图像。MangoNET果实和果柄F1分数分别为0.920和0.916,mAP50和mAP50-95值为0.941和0.690。

提出两级边缘AI框架，用RGB图像实时分类苹果叶片病害。

提出太阳能边缘AI系统DefoliationCAM，实时评估葡萄藤食叶严重度并远程传输。