分析香蕉叶片颜色与纹理特征同化学测定养分浓度的相关性。
提出轻量注意力多级混合MobileNet-V2框架，融合手工纹理与深度学习特征实现番茄叶片病害早期检
提出注意力引导细化网络AGR-Net，在CIFAR-10上兼顾精度与参数效率。
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。
提出融合CNN深度特征与手工特征的方法，用于植物叶片病害识别。
提出基于纹理自适应模糊池化机制，提升CNN番茄成熟度分类性能。
提出MPFAN-AF模型，用多尺度并行卷积和注意力融合实现番茄叶片病害自动分类。
用RGB卷积神经网络自动分类豇豆叶片可见脉纹，区分健康与结构胁迫样本。
比较CNN、LR、GA-BP对辣椒叶病的识别精度与稳定性，并评估三种分割预处理方案。
用YOLOv8检测黄瓜真叶并结合多元回归，实现幼苗活力指数无损预测。
提出GRU+BiLSTM混合深度学习架构，在Caltech-256上实现高精度图像分类。
在ESP32微控制器上训练并部署轻量CNN多类图像分类模型，实现无云端的嵌入式视觉。
开发了花粉分析工具PAT，自动化评估花粉活力，并用于发现新的减数分裂抑制因子。
比较Swin Transformer与手工特征BPNN在玉米水分胁迫RGB图像分类中的表现，两者均达