#UCI mushroom dataset

开发了基于朴素贝叶斯的蘑菇可食性分类决策支持系统KabuTeach。

精准农业视觉流水线下游任务(形态特征提取、生长监测、数字孪生同步)直接依赖检测框的几何质量,因此精确定位(而非单纯正确分类)成为关键性能因素。本研究提出方向对齐惩罚(DAP)作为辅助定位正则化项,在不修改检测器架构的情况下将独立加权的归一化中心位移项引入边界框回归目标。DAP-YOLOv8使mAP@0.5:0.95从51.69%提升至53.76%、mAP@0.5从80.03%提升至80.36%,在真实世界智能温室采集的牡蛎蘑菇数据集上重复种子实验进一步表明细粒度定位的提升在不同随机初始化下一致。

提出YOLOv11-SMD模型，用于蘑菇菌盖表型自动提取。

发布多站点多品种苹果物候RGB图像数据集，并给出深度学习基线检测模型。

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。

中国农业大学黄晨晓、何林然、黄文涛、张晓绚等于Sensors发表TMAF-YOLO模型——基于YOLOv8n的轻量化番茄成熟度与缺陷果实检测模型,隶属中国农业大学120周年校庆专刊。该模型以LGhostConv替换选定卷积结构减少冗余计算;引入番茄成熟度感知聚合融合模块TMAF增强检测分支的颜色、纹理和局部结构特征表示能力;使用MA-CB Focal Loss改善类别不平衡和难样本条件下的学习。实验结果显示,Precision、Recall、mAP50和mAP50-95分别达到0.889、0.873、0.954和0.776,模型仅含2.647M参数,推理速度209.030 FPS,优于YOLOv11n和YOLOv12n,同时保持实时推理性能。

综述贝叶斯神经网络如何利用先验知识提升数据稀缺下的植物病害检测。

本文提出便携式高光谱成像结合可解释PLS-DA-SHAP方法,用于茯苓(Fushen,Poria cocos)的地理来源溯源与真实性鉴别。研究展示了如何将机器学习与SHAP可解释性相结合,应用于中药材产地溯源。原文标题:Portable hyperspectral imaging combined with interpretable PLS-DA-SHAP for geographical origin traceability and authenticity discrimination of Poria cocos (Schw.) Wolf (Fushen),作者:Xing W、Zhang Y、Wei X、Nie S、Cheng X、Cai M、Yang Q、Wang Y,发表于Frontiers in Sustainable Food Systems 2026年第10卷doi:10.3389/fsufs.2026.1891249,2026年7月15日接收,8月7日发表。本研究为基于光谱成像的农产品/中药材产地溯源提供了可解释AI方法范式。