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。
农业AI与大模型
人工智能算法、大模型与决策支持系统
技术筛选 · 已选 1 项
15 篇内容清除全部筛选
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。
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。
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。
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。
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。
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。
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。
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 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。