1. 棉花病害识别

为了解决在复杂环境中准确识别棉花疾病所面临的挑战，针对资源有限的情况，提出了一种名为CSGNet的轻量化模型。以高效的卷积神经网络架构ShuffleNet V2为基础，力求在保持轻量级的同时实现卓越的性能。引入SA注意力机制，增强模型在复杂背景中提取疾病特征的能力，此外，为提高特征提取的准确性和模型的泛化能力，使用高斯误差线性单元（GELU）作为激活函数，并采用Adam优化算法进行优化。通过这些改进措施，CSGNet模型在资源受限的移动设备上可以对棉花病害进行快速识别。

图3. CSGNet模型

图4. CSGNet模型过滤不同卷积层

2. 玉米虫害识别

在大田环境中，由于拍摄高度、角度等原因，会造成采集到的害虫图像尺度不一的问题，为解决玉米害虫大小尺度不一的问题，提出一种基于改进YOLOv8的玉米害虫检测方法。首先，在颈部网络部分添加全局注意力机制模块，增强特征图信息，保留映射特征，提高模型的融合能力、检测精度。然后在骨干网络SPPF层之前，把部分C2f模块替换为可变形卷积模块，通过不同的卷积权重对特征图的信息进行融合，有效地处理图像中的几何变换。改进后的模型可以为玉米作物提供准确的害虫检测和识别。

图5. 改进的YOLOv8模型

图6. 玉米害虫检测结果

3. 水稻稻穗识别及产量预估

在稻田环境中，由于背景多样、稻穗间相互遮蔽以及稻穗尺寸多变等因素，为稻穗的精准检测和计数带来了一定的挑战，提出了一种基于YOLOv7改进的水稻稻穗计数模型。通过无人机获取水稻稻田的图像信息，在模型融入SA注意力机制，让模型能够更专注于稻穗的特征信息。通过引入S-ASPP（空间金字塔池化模块）结构，替换了原模型中的SPPCSPC结构，从而显著提升了检测精度和跨尺度检测能力。此外，为了降低重叠和遮挡稻穗样本对检测精度的影响，采用SIoU损失函数进行优化。这些改进措施共同增强了模型在复杂稻田环境下的鲁棒性，提高了稻穗检测的准确性和可靠性。

图7. ASPP特征提取过程及结构图

图8. 稻穗计数检测结果

1. 棉花病害识别

为了解决在复杂环境中准确识别棉花疾病所面临的挑战，针对资源有限的情况，提出了一种名为CSGNet的轻量化模型。以高效的卷积神经网络架构ShuffleNet V2为基础，力求在保持轻量级的同时实现卓越的性能。引入SA注意力机制，增强模型在复杂背景中提取疾病特征的能力，此外，为提高特征提取的准确性和模型的泛化能力，使用高斯误差线性单元（GELU）作为激活函数，并采用Adam优化算法进行优化。通过这些改进措施，CSGNet模型在资源受限的移动设备上可以对棉花病害进行快速识别。

图3. CSGNet模型

图4. CSGNet模型过滤不同卷积层

2. 玉米虫害识别

在大田环境中，由于拍摄高度、角度等原因，会造成采集到的害虫图像尺度不一的问题，为解决玉米害虫大小尺度不一的问题，提出一种基于改进YOLOv8的玉米害虫检测方法。首先，在颈部网络部分添加全局注意力机制模块，增强特征图信息，保留映射特征，提高模型的融合能力、检测精度。然后在骨干网络SPPF层之前，把部分C2f模块替换为可变形卷积模块，通过不同的卷积权重对特征图的信息进行融合，有效地处理图像中的几何变换。改进后的模型可以为玉米作物提供准确的害虫检测和识别。

图5. 改进的YOLOv8模型

图6. 玉米害虫检测结果

3. 水稻稻穗识别及产量预估

在稻田环境中，由于背景多样、稻穗间相互遮蔽以及稻穗尺寸多变等因素，为稻穗的精准检测和计数带来了一定的挑战，提出了一种基于YOLOv7改进的水稻稻穗计数模型。通过无人机获取水稻稻田的图像信息，在模型融入SA注意力机制，让模型能够更专注于稻穗的特征信息。通过引入S-ASPP（空间金字塔池化模块）结构，替换了原模型中的SPPCSPC结构，从而显著提升了检测精度和跨尺度检测能力。此外，为了降低重叠和遮挡稻穗样本对检测精度的影响，采用SIoU损失函数进行优化。这些改进措施共同增强了模型在复杂稻田环境下的鲁棒性，提高了稻穗检测的准确性和可靠性。

图7. ASPP特征提取过程及结构图

图8. 稻穗计数检测结果