【目的/意义】 藜麦穗是藜麦产量评估的重要指标之一。为提高藜麦穗目标检测精度和检测效率，提出一种适用于无人机搭载的目标识别轻量模型YOLOv8n-SSND（YOLOv8n with Switchable Atrous Convolution, Slim Neck, and Deformable Attention）。 【方法】 以YOLOv8n和YOLOv11n为基准模型，考虑藜麦穗形态大小不一及结构复杂，在Backbone层加入可切换空洞卷积模块以提升检测复杂特征的能力；引入Slim-Neck特征融合层，轻量化主干网络；添加可变形注意力机制，使模型能够动态识别藜麦穗部的复杂特征，同时保持较高的推理效率。 【结果和讨论】 YOLOv8n-SSND模型平均精度均值达94.3%，相较于YOLOv11n-SSND、YOLOv11n、YOLOv12n、YOLOv7、YOLOv5s、SSD（Single Shot MultiBox Detector）、Fast R-CNN（Fast Region-Based Convolutional Neural Network）和YOLOv8n模型，分别提升0.7、0.9、2.1、1.4、2.0、23.1、19.6、1.8个百分点。该模型推理速度达166.7帧/s，较基准模型提高26.7%；计算量为6.8 GFLOPs，较基准模型降低16.0%。 【结论】 YOLOv8n-SSND模型在藜麦穗部识别上表现出更高的精确度、更快的推理速度以及更少的浮点运算量，为无人机搭载针对藜麦穗部的藜麦目标检测提供了可行方法，也为藜麦产量评估与智能农业管理提供了高效的技术方案。

【目的/意义】 倒伏是制约作物产量与品质的关键因素之一，本研究针对胡麻田间图像中倒伏区域形态复杂、边界模糊、背景干扰大导致不易识别的问题，提出一种高精度、轻量化的倒伏区域识别方法，以支持智能化田间监测和自动化农业设备的实际部署。 【方法】 提出一种基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法，该方法从模型轻量化与精度提升出发，首先在骨干网络中引入融合多尺度高效通道注意力机制的集成空间深度可分离模块（C3k2 Spatial‑Depthwise, C3k2_SDW），以增强模型对倒伏区域特征的敏感性；其次在颈部结构中引入双向特征金字塔网络结构，并结合多阶段语义融合策略，实现不同尺度与语义层次特征的充分交互，从而提升对细粒度倒伏区域的识别能力；最后在输出阶段对预测边界进行精细化处理，提高倒伏区域分割结果的边界精度。 【结果和讨论】 改进后的YOLOv11n-seg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。 【结论】 基于改进YOLOv11n-seg模型的胡麻倒伏区域识别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。

【目的/意义】 土壤有机质（Soil Organic Matter, SOM）是土壤质量的核心表征指标，开展SOM制图研究具有重要意义。尽管机器学习已成为提升数字土壤制图（Digital Soil Mapping, DSM）精度的重要手段，但其性能依赖于输入采样数据的质量。因此，合理的采样点布局是DSM的关键前提。本研究旨在剔除冗余采样点、降低采样成本，并进一步提升SOM的预测精度。 【方法】 构建基于河马优化算法（Hippopotamus Optimization Algorithm, HO）随机森林残差克里金插值的最优采样策略。以浙江省兰溪市已布设调查的1 080个土壤样点为基础，结合环境协变量，优化生成多组采样方案，确定最优的采样密度和样点位置，用于SOM的空间预测与制图。 【结果和讨论】 HO优化的多组采样方案中，当采样密度为2.3点/km²（629个采样点）时效果最佳，均方根误差和平均绝对误差分别降低至5.11和3.79 g/kg，决定系数为0.49，林氏一致性相关系数达到0.63，优化后采样成本较原始方案下降41.8%。 【结论】 综上所述，兼顾采样成本和预测精度，HO是一种潜在有效的采样优化方法，能为类似区域的土壤有机质空间预测与制图采样提供参考。

【目的/意义】 在农业领域，用户需求文本是农技精准推广、政策靶向服务的核心依据，但其包含的农业专业术语、多场景差异、动态更新特征，导致传统方法存在“专业术语识别误差大、多场景需求分类模糊、动态需求响应滞后”的问题，难以支撑高效的需求分析。因此，本研究构建基于大语言模型的农业需求智能分析方法，针对性解决传统方法的上述痛点，实现农业用户需求的精准识别、结构化提取与高效解析，为农技推广、政策服务提供高质量的需求数据支撑，推动农业数字化转型的精准落地。 【方法】 在农业需求分析中引入大语言模型，利用其语义理解与推理能力实现对用户需求的精准解析。提出了“3阶段训练+多智能体协同”的技术路径：首先收集8万条农业文本与2.28万条标注样本，用于领域预训练与指令微调，以增强模型的领域适应性；随后设计多智能体协同框架，由管理型智能体负责任务调度与质量控制，任务型智能体分别承担需求分类、关键因子提取与解释生成，从而实现对农业用户需求的结构化分析。 【结果和讨论】 农业需求分析智能体框架（Agri-NeedAgent）在需求类型匹配的准确率达到84.6%，关键因子提取的F₁值达到85.2%，接口合规率94.2%，可解释性90.2分，均显著优于未经过领域微调的通用大语言模型与不含多智能体协同机制的对照方法。 【结论】 大语言模型经过领域适配与微调后，能够实现对农业用户需求的深度解析与关键因子精准提取，且能通过多智能体协同机制提升分析的完整性与可解释性，为智慧农业决策支持系统提供高质量的数据支撑。

【目的/意义】 针对复杂背景下密集且小尺度海水网箱目标检测困难的问题，本研究构建专用数据集并设计具有针对性的检测模型，以提升在实际养殖管理中的识别精度与鲁棒性。 【方法】 基于来自澳大利亚、加拿大、智利、克罗地亚、希腊、中国及法罗群岛七个具有代表性的海水养殖区域的高分辨率遥感影像，构建了海水网箱数据集；提出了基于 YOLOv5的Cage-YOLO 深度学习检测模型，用于密集小目标网箱的自动识别。首先，引入自适应密集感知算法，自动选择并生成反映小型网箱密集分布特征的特征图；其次，集成改进的快速空间金字塔池化模块，有效减少背景噪声干扰并增强全局特征提取能力；最后，加入混合注意力模块，进一步提升模型对密集小目标的感知能力。 【结果和讨论】 实验结果表明，Cage-YOLO在精度、召回率及平均精度方面分别较原始YOLOv5提升了5.6、21.8和17.4个百分点。模型体积保持为16.9 MB，兼具优越性能与良好的部署优势。 【结论】 本研究为密集小目标检测提供了一种有效的新方法，并为海洋网箱养殖的智能化管理提供了重要的技术支持。

【目的/意义】 由于串番茄果实密集重叠、温室光照复杂多变及果实颜色连续渐变等因素，检测模型在对成熟度进行精准快速识别时面临挑战。因此，提出了一种基于改进YOLOv10（You Only Look Once version 10）的轻量级串番茄成熟度目标检测模型LampCT-YOLO （Cluster Tomato YOLO with Layer-wise Adaptive Mask Pruning），以提高检测精度、推理速度和鲁棒性。 【方法】 以YOLOv10为基线模型，在主干网络引入SegNeXt（Segmentation Next）注意力机制，通过自适应调整注意力权重，增强模型对3类不同成熟度串番茄关键区域（如边界、颜色深浅）的特征提取能力；在训练完成的模型基础上，通过基于梯度的全局通道重要性方法LAMP（Layer-wise Adaptive Mask Pruning）通道剪枝，显著压缩模型体积和计算复杂度，同时有效保持模型对串番茄3分类成熟度的高检测性能。 【结果和讨论】 在NVIDIA A100显卡环境下，LampCT-YOLO模型对串番茄红熟早期、中期、晚期的平均精度均值（Mean Average Precision, mAP）分别为84.6%、89.5%、88.4%，相比YOLOv10分别提升了5.5、7.7和0.9个百分点，对串番茄3个成熟度类别的mAP₅₀为87.6%，相比YOLOv10提升了4.7个百分点。应用LAMP通道剪枝技术后，模型的参数量和计算量分别减少63.07%和50.06%，推理速度提升23.1%。部署至自主研发的果蔬巡检机器人后，在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s的推理速度，实现了检测精度与实时性的有效平衡。 【结论】 研究结果可为基于巡检机器人的串番茄成熟度精准快速识别提供坚实的技术支撑。

【目的/意义】 针对当前砀山梨表面缺陷因尺度小而导致检测精度差的问题，本研究提出了一种基于改进Mamba-YOLO的轻量化高精度模型，旨在实现检测精度与效率的平衡。 【方法】 首先，采用动态上采样模块，相较于现有Mamba-YOLO的上采样模块具有更少的参数量和浮点运算次数，可在保障模型计算效率的同时，提升对缺陷细节信息的保留能力。其次，提出频率自适应空洞卷积，通过动态调整卷积核尺寸，使网络依据输入局部特征自适应选择匹配的卷积核，从而增强对缺陷的特征提取能力。最后，融合压缩和激励模块和通道混合器卷积门控线性单元，同时引入多尺寸卷积核提取多尺度特征，进一步提升模型对局部细节的捕捉能力与鲁棒性。 【结果和讨论】 改进后的算法在砀山梨测试集上经过评估，平均精度均值达到了95.1%，帧率达到了72帧/s。与YOLOv8n、Gold-YOLO-N和YOLOv12n相比，平均精度均值分别高出了4.7、5.3和6.3个百分点；与基准Mamba-YOLO-T相比，平均精度均值提升了3.4个百分点，帧率提高了10.8个百分点。 【结论】 改进模型在提升综合检测性能的同时降低了计算复杂度与参数量，可为轻量化梨表面缺陷检测研究提供可靠的算法支撑。

【目的/意义】 玉米作为中国主要粮食作物，其产量的精准预测在维护国家粮食供给体系稳定方面具有重要意义。针对传统预测方法难以揭示变量间因果关系的问题，提出了一种融合因果推断与机器学习的预测方法。 【方法】 首先，基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息，采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系。其次，构建了移动平均-卷积神经网络-长短期记忆网络混合模型，先通过移动平均模块平滑数据噪声，进而利用卷积神经网络提取变量间的空间关联特征。最后，通过长短期记忆网络捕捉产量随时间变化的动态特征。 【结果和讨论】 10 cm和50 cm深度的土壤湿度对产量具有显著的正向影响（P<0.01），其中深层湿度具有更强的时滞效应；反射率中的改进叶绿素吸收指数与归一化植被指数等植被指数则在玉米生长中期呈现出短期因果关系。与其他模型的对比实验结果表明，所提出的模型在多个指标上表现突出，其中决定系数（R²）达到0.955，平均绝对误差和均方根误差分别为1.201 kg/亩和1.474 kg/亩（1 hm²=15亩）。 【结论】 因果分析可为模型提供关键变量筛选依据，显著提升产量预测性能。

【目的/意义】 枝叶遮挡是田间胡萝卜苗精准识别的主要挑战，对此开发一种轻量、高效的检测模型，以实现田间遮挡条件下胡萝卜苗的精准鲁棒识别。 【方法】 提出了一种基于改进YOLOv11s（You Only Look Once）的轻量化检测方法CD-YOLO（Carrot Detection-YOLO）。首先，为降低模型复杂度，将主干网络中的部分标准卷积替换为深度可分离卷积，以减少计算量与参数量；其次，在C3k2模块中引入高效多尺度注意力机制（Efficient Multi-Scale Attention, EMA），构建C3k2_EMA模块，增强模型对关键特征的动态感知能力，从而抑制背景与遮挡噪声；最后，采用动态检测头，强化模型对不同尺度特征的融合与感知，进一步提升检测鲁棒性。 【结果和讨论】 结果表明：CD-YOLO模型的计算量和模型大小相较于YOLOv11s分别降低了6.2 GFLOPs和4.8 MB，单张图像推理速度提升了4.7 ms，准确率、召回率与平均精度分别提高了3.0、1.5和2.4个百分点；在应对枝叶遮挡方面，CD-YOLO的漏识率为13.4%，较YOLOv11s下降了5.7个百分点；将模型部署于边缘算力设备，在随机选取的胡萝卜苗图像上进行测试，漏识率和误识率分别为5.1%和2.7%。 【结论】 CD-YOLO模型在保持轻量化的同时，有效提升了田间胡萝卜苗的检测精度与速度，特别是在应对枝叶遮挡方面表现优异。该研究可为胡萝卜自动化育苗过程中的出苗率统计与精准管理提供可靠的技术支持。

【目的/意义】 土壤有机质（Soil Organic Matter, SOM）是土壤肥力和质量的重要指标。为解决山区复杂地形条件下SOM空间变异性强、传统数字土壤制图方法预测精度受限的问题，本研究旨在引入并验证地理加权随机森林（Geographically Weighted Random Forest, GWRF）模型在县域尺度复杂地形区SOM数字制图中的适用性与精度优势，并实现SOM含量的高精度空间预测，对合理利用和科学管理土壤资源具有重要意义。 【方法】 以山东省典型山地农区沂源县为研究区，利用实测SOM样点数据，考虑气候、地形、土壤、植被和土地利用等环境变量，通过构建融合空间局部建模与非线性建模能力的GWRF模型对研究区SOM预测、数字制图，并与普通克里格（Ordinary Kriging, OK）、多元线性回归（Multiple Linear Regression, MLR）、GWR和随机森林（Random Forest, RF）等模型进行精度对比。 【结果和讨论】 GWRF模型表现最优，决定系数（R²）为0.48、均方根误差（Root Mean Square Error, RMSE）为5.12 g/kg，较OK、MLR、GWR和RF模型R²分别提升0.24、0.16、0.13和0.07，RMSE降低了1.06、0.73、0.59和0.36 g/kg。研究区SOM含量整体偏低，呈中部高、西南和东北低的空间分布特征，主要受土壤类型、年蒸散量、坡度和砂粒含量等环境因素影响。 【结论】 研究结果证明GWRF模型在复杂地形区的县域SOM预测中具有显著优势，可为第三次全国土壤普查背景下的高精度SOM数字制图提供技术支撑。