DC-YOLO：应对遮挡与光照变化的湖羊行为检测模型
提出DC-YOLO模型，用于湖羊行为检测，解决遮挡与光照变化问题。
← 主题
#目标检测
精准棉花病害管理：融合无人机影像与定制YOLO深度学习框架
提出轻量化检测器Cotton-Vision，用无人机影像精准识别棉花病害。
IMPLEMENTATION OF META-HEURISTIC OPTIMIZATION ALGORITHMS IN CONVOLUTIONAL NEURAL NETWORKS FOR OBJECT DETECTION AND CLASSIFICATION
综述元启发式算法嵌入CNN流程以优化目标检测与分类的研究进展。
Peach-YOLO:基于改进YOLOv8与多注意力融合的复杂环境桃实时检测方法
提出Peach-YOLO改进YOLOv8n模型，实现复杂环境下桃果实实时检测。
Traffic surveillance video-based a unified road accident detection, classification, and vehicle tracking framework using an optimized spatio-temporal attention mechanism
提出融合时空注意力Yolov9与DeepSORT的交通事故检测、分类与车辆跟踪框架。
Enhanced YOLOv8n for adhered leaf cluster detection in RGB-based fresh green tea leaf sorting
提出改进YOLOv8n模型SDSI-YOLO，实现鲜茶叶粘连叶簇的高精度检测。
Detection of mounting behavior and mounted ewes in group-housed environments using HSM-YOLO algorithm
提出HSM-YOLO算法，在群养环境下检测羊爬跨行为及被爬跨母羊，用于发情监测。
多尺度异构特征协同的棉花叶片病害检测模型(Multi-Scale Heterogeneous Synergistic Model for Cotton Leaf Disease Detection)
提出MHSF-DETR棉花叶片病害检测模型，提升精度并降低参数量与计算量。
Enhancing Long-Tailed Macaque Pest Identification Using a Two-Stage YOLO-EfficientNet Pipeline
用YOLOv8+EfficientNet-B0两阶段流水线识别长尾猕猴，提升玉米田驱猴系统检测精度。
BMC Plant Biology 2026-10-03 Zhu Hongyan et al. Guangxi Normal Univ & Zhejiang Univ·10月3日 · 周六79 分 论文农业人工智能与决策模型阅读 3
Lightweight AI Gives Harvesting Robots a Sharper Eye for Green Jujubes
研发协作感知框架，让青枣采摘机器人精准识别与定位果实。
The Scientific Issues of Ternopil Volodymyr Hnatiuk National Pedagogical University Series pedagogy·10月2日 · 周五0 分 论文智慧农业 / 农业物联网阅读 0
Системи на основі YOLO для виявлення вибухонебезпечних залишків війни: огляд для гуманітарного розмінування
综述YOLO模型在无人机人道排雷中检测战争爆炸残留物的应用与局限。
YOLO-BASED SYSTEMS FOR DETECTING EXPLOSIVE REMNANTS OF WAR: A REVIEW FOR HUMANITARIAN DEMINING
综述YOLO模型在无人机人道排雷中检测地雷与未爆弹药的技术管线。
DGF-YOLOv12n-LiteP2: Dynamic Gated Local-Context Fusion with a High-Resolution Detection Head for Cattle Body-Part Detection in Complex Barns（基于YOLOv12n动态门控局部上下文融合的复杂牛舍牛体部位检测）
提出DGF-YOLOv12n-LiteP2，实现复杂牛舍场景下牛体部位高精度检测。
基于改进YOLOv8的火龙果采摘机器人系统设计与研究
提出改进YOLOv8火龙果检测算法并集成六自由度采摘机器人系统，完成田间验证。
基于改进YOLOv8n的番茄果实检测模型
提出改进YOLOv8n番茄果实检测模型，提升采摘机器人识别精度与速度。
A collaborative perception framework for green jujube: from lightweight key point detection to posture-aware harvest analysis
提出RDA-YOLO与SAM2协同感知框架，实现青枣采摘点定位与姿态分析。
YOLOv8-MST: a lightweight and efficient real-time detection and counting deep learning algorithm for double-grain peanut seeding
提出YOLOv8-MST轻量算法，实现双粒花生播种实时检测与计数。
MSO-Det: A multi-level synergistic optimization framework for robust spike object detection in field scenes
提出MSO-Det多级协同优化框架，用于田间场景下鲁棒的穗部目标检测。
Deep learning-based monitoring and spatiotemporal analysis of wildlife and human activities using camera trap imagery
用YOLO模型从红外相机图像中检测野生动物与人类，并分析其时空共现格局。
Orchard worker detection using spatial-context attention on 2D LiDAR data
Orchard worker detection using spatial-context attention on 2D LiDAR data。Biosystems Engineering
Real-Time Detection and Yield Estimation of Rosa damascena Using YOLOv10-N: A Case Study in the Dades Oasis, Drâa-Tafilalet, Southeastern Morocco
用YOLOv10-N实时检测大马士革玫瑰并基于花数估算产量。
Adversarial Patch and Camouflage Attacks on Aerial Object Detection: A Geometry-Aware Review
综述无人机与遥感目标检测中的对抗补丁与伪装攻击及防御，并提出几何感知分类体系。
Simultaneous Maturity Recognition and Yield Counting of Truss and Individual Tomatoes Using Improved YOLOv8-EME and Optimized ByteTrack Tracker
提出改进YOLOv8-EME与ByteTrack结合的番茄检测计数系统，可同时识别串收与单果成熟度并
PB-DETR：群养生猪多行为识别的自适应液体神经网络编码器与动态监督框架
提出PB-DETR框架，实现群养生猪多行为识别，mAP达0.893。
Deep Learning-Based Small-Object Detection in UAV Imagery: A Symmetry-Informed Review of Scale Variation and Scenario Constraints
综述无人机图像小目标检测的深度学习研究，提出对称性视角与三层框架。
A tomato maturity detection method against occlusion and variable illumination
提出一种抗遮挡和光照变化的番茄成熟度检测方法。
Full shuffle and p-rectified semi-inner powerful IoU-based chili pepper flower recognition with environment-aware YOLO11
基于YOLO11改进，实现温室辣椒花精准检测。
YOLO-Based Deep Learning Pipeline for Detecting Nutrient Deficiency Symptoms in Roselle (Hibiscus sabdariffa L.)
用YOLO系列模型检测玫瑰茄钙钾铁磷缺乏的视觉症状。
BiFormer-Enhanced YOLOv11n for Accurate Maize Ear Detection in Seed Production Fields(玉米穗识别 BiF-YOLO)
提出BiF-YOLO模型，在制种田实现玉米穗精准检测。
Lightweight Detection of Blueberries at Different Maturity Stages in Complex Orchard Environments(YOLOv12n+SHSA2C2f+知识蒸馏)
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。
Fruit-OIC: An anti-occlusion flower and fruit detection algorithm for dragon fruit using dynamic case mining and global feature enhancement
提出抗遮挡的火龙果花果检测算法Fruit-OIC，结合动态案例挖掘与全局特征增强。
Mushroom cap phenotype extraction based on YOLOv11-SMD
提出YOLOv11-SMD模型，用于蘑菇菌盖表型自动提取。
An improved RT-DETR approach for real-time detection of densely occluded blueberries and micro-calyxes
提出改进RT-DETR的MFE-DETR模型，实现密集遮挡下蓝莓及微小花萼的实时检测。
Real-time hass avocado ripeness detection using close-range UAV imagery and YOLO-based deep learning
用无人机近景图像和YOLO深度学习实时检测哈斯鳄梨成熟度，实现精准农业应用。
Oil Palm Detection from High Resolution Remote Sensing Imagery with Improved YOLO Deep Learning Frameworks
改进YOLO11模型，集成注意力机制提升油棕树遥感检测精度与泛化能力。
Instance Segmentation and Multi-Object Tracking for Fruit Quality Grading and Dynamic Yield Estimation in Egyptian Citrus Orchards
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。
Vision-guided robotic harvesting of Toona sinensis sprouts: Integrating biomechanical calibration with improved YOLO instance segmentation
结合生物力学标定与改进YOLO实例分割，实现香椿芽视觉引导机器人采摘。
Object Detection in Computer Vision: A Comprehensive Review of Algorithms, Datasets, and Evaluation Techniques
系统综述目标检测三十年发展，从传统方法到深度学习、Transformer及大语言模型，并分析数据集与
A Feature Enhancement Framework for Joint Mango Fruit and Stem Detection in Complex Orchard Environments (复杂果园环境中芒果果实与果柄联合检测的特征增强框架)
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。
A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa
本文对YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN、RT-DETR六种目标检测模型在尼日利亚农场实地采集的真实世界数据集AgriAISeg 1(3382张芝麻、卷心菜、番茄图像)上进行比较,涵盖不同光照、遮挡和视角条件。结果显示RT-DETR整体表现最优,精度0.768、[email protected]:0.95达0.624;YOLOv8和YOLO11表现稳定强劲;Faster R-CNN精度显著较低,[email protected]仅0.466,YOLO系模型训练效率优于Faster R-CNN。研究表明,现代单阶段和基于Transformer的检测器在真实世界农业环境中提供更可靠、高效的植物检测解决方案。原文标题:A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa,作者:Ismail Ismail Tijjani等8人,arXiv:2608.11053,2026年8月11日提交。
CD-YOLO: 基于改进YOLOv11s的田间胡萝卜苗检测方法
刘浩然、王宇、赵学观、吴华瑞、付豪、庞树杰、翟长远(北京市农林科学院智能装备技术研究中心/国家农业智能装备工程技术研究中心)针对枝叶遮挡下田间胡萝卜苗精准识别难题,提出基于改进YOLOv11s的轻量化检测方法CD-YOLO:将主干网络部分标准卷积替换为深度可分离卷积降低模型复杂度,在C3k2模块引入高效多尺度注意力机制EMA构建C3k2_EMA模块增强关键特征动态感知,采用动态检测头强化多尺度特征融合与感知,显著提升检测鲁棒性。