#DALF-YOLO

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。

提出DGF-YOLOv12n-LiteP2，实现复杂牛舍场景下牛体部位高精度检测。

提出YOLOv8-MST轻量算法，实现双粒花生播种实时检测与计数。

提出Peach-YOLO改进YOLOv8n模型，实现复杂环境下桃果实实时检测。

南京市农业机械化研究所刘赛赛等在Smart Agricultural Technology发表GSP-YOLO模型——基于YOLOv8s的轻量化杂草实时检测系统。该模型将YOLOv8s标准骨干替换为GhostNetV3,并集成空间-通道注意力模块(SCSA),提升对小型、形态相似杂草幼苗的识别能力。在NIAM9weeds数据集上达97.74%精确率,优于YOLOv5n和YOLOv10s等轻量化模型,模型大小减少近30%,计算需求减少超过30%。在边缘设备上通过TensorRT加速,处理速度41 FPS,可支持以步行速度移动的激光除草机器人。温室试验中,系统在0.72 km/h速度下达93.4%杂草识别准确率,平均275毫秒/株完成除草,作物损伤率低于3.4%。

赵丽成、卢鑫羽、吴茜、任妮、周玲莉、程雅雯、胡安琦、戚超(江苏省农业科学院农业信息研究所/淮阴工学院)提出基于改进YOLOv10的轻量级串番茄成熟度目标检测模型LampCT-YOLO:在主干网络引入SegNeXt注意力机制,基于梯度的全局通道重要性方法LAMP通道剪枝显著压缩模型体积和计算复杂度。LampCT-YOLO对红熟早/中/晚期mAP分别达84.6%/89.5%/88.4%,应用LAMP通道剪枝后参数量和计算量分别减少63.07%和50.06%,推理速度提升23.1%;部署至自主研发的果蔬巡检机器人在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s推理速度。

系统综述工业环境中计算机视觉在检测、安全、物流与机器人四领域的应用现状与挑战。

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。