#ResNet50

评估五种深度卷积神经网络在自然田间条件下对绿豆叶部病害的识别性能。

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。

提出结合ConvNeXt-Tiny与残差空间注意力模块的框架，实现多作物病害细粒度分类与可解释定位。

提出轻量级多流双阶段融合网络MDFNet，用于高分辨率遥感图像场景分类，兼顾精度与效率。

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。

提出MSA-TNet深度学习框架，实现红枣碰伤检测与品种分类。