#EfficientNetV2B0

提出多分支集成头，实现小样本黄瓜物候阶段高效分类。

比较手工特征、深度迁移学习和量子兼容分类器对三个地区榛子图像的分类性能。

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。

系统比较硬投票、软投票与加权软投票三种决策级集成策略，用于番茄叶片病害分类。

针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。

融合MobileNetV2与EfficientNetB0特征并微调，实现植物病害高精度分类。

提出TomaNet-6H轻量CNN，用Grad-CAM实现番茄叶片病害可解释检测。

提出轻量级单阶段遥感目标检测器GFLNet，兼顾精度与实时性。