#VGG16

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。

山东理工大学等单位李京谦、韩国涛、赵静、张帅领、谢欣妤、付姗姗、鲁力群、兰玉彬在《农业工程学报》2026年第42卷第9期发表论文。该研究提出基于改进YOLOv12n的向日葵成熟期盘腐病危害程度检测模型,首先将主干和颈部网络的C3K2模块替换为融合感受野注意力卷积(RFAConv)与坐标注意力机制(CA)的C3K2-RC模块;其次在颈部网络集成轻量级的上采样算子CARFAE;最后引入LSCSBD(lightweight shared convolutional separable batch normalization detection)检测头。试验结果表明,YOLOv12n-RCL模型的精确率、召回率、mAP0.5和mAP0.5-0.95分别达到83.4%、81.2%、84.8%和50.2%,较基准模型YOLOv12n分别提高3.8、3.2、3.4和4.0个百分点。

提出可解释深度学习框架CPSA-RIPD-CSTGCN，实现智慧农业中害虫实时检测。

提出轻量化植物病害识别网络GANet，在嵌入式设备上实现高精度实时识别。

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。

比较三种CycleGAN架构（EfficientNetB1、MobileNetV2、标准ResNet

用无人机RGB影像和深度学习对咖啡开花分级，实现早期产量预测。

提出多分支集成头，实现小样本黄瓜物候阶段高效分类。