【目的/意义】 茯砖茶“金花”发花过程决定了茶叶品质、风味和功能。因而，建立一种快速、无损的茯砖茶发花品质检测方法，对提高质量控制与加工效率具有重要意义。 【方法】 通过采集茯砖茶发花过程中的可见-近红外与近红外范围的高光谱图像，测定发花过程的含水率、游离氨基酸、茶多酚、茶三素等关键品质指标，分析发花过程中的变化趋势。构建支持向量机、卷积神经网络（Convolutional Neural Network, CNN）和引入Squeeze-And-Excitation（SE）注意力机制的Spectra-SE-CNN模型实现对茯砖茶发花过程中品质指标的定量检测与品质识别。 【结果和讨论】 在茯砖茶品质指标的定量检测中，最佳模型均是Spectra-SE-CNN，含水率、茶三素和茶多酚的测试集决定系数（R⊃2;p）分别为0.859 5、0.852 5和0.838 3，表现出较高的相关性与建模稳定性；而游离氨基酸的R⊃2;p较低（0.670 2），可能因其变化不显著或光谱响应较弱所致。在茯砖茶发花品质识别中，Spectra-SE-CNN模型实现了100%的分类准确率，显著优于传统CNN，展现出更强的光谱特征提取与判别能力。t-分布领域嵌入算法（t-Distributed Stochastic Neighbor Embedding, t-SNE）可视化显示不同发花品质在低维空间中聚类清晰、边界明确；Grad-CAM进一步揭示模型关注于发花位置与边缘等关键区域，提升了模型的可解释性与实用性。 【结论】 高光谱成像技术可实现茯砖茶发花过程的品质评估与识别，具备快速、无损的优势。引入SE注意力机制的Spectra-SE-CNN模型进一步提升了模型效率，验证了深度学习算法在提取光谱特征方面的有效性。研究为茯砖茶发花过程的智能检测提供了可行方案，并拓展了其在农业智能检测中的应用路径。

【目的/意义】 针对采后芦笋在销售前人工分级成本高、效率低的问题，提出了一种基于改进YOLOv11模型的采后芦笋分级方法，旨在研究一种轻量化的采后芦笋的精准分级模型。 【方法】 首先，在主干网络的第12层引入高效通道注意力（Efficient Channel Attention, ECA）机制，ECA机制通过动态调整卷积神经网络中通道的权重，以增强对芦笋茎粗特征的提取能力；其次，在颈部网络同时引入slim-neck模块和双向特征金字塔（Bi-directional Feature Pyramid Network, BiFPN）模块，slim-neck将传统卷积替换为GSConv（Global Sparse Convolution）并将C3k2模块替换为轻量级跨阶段部分网络（Voice of Voter-group Shuffle Cross Stage Partial Network, VoVGSCSP）模块，减少运算量与模型大小并提高模型的识别精度，BiFPN模块改变原有的特征融合方式，能够自动强化芦笋的关键特征并减少冗余的计算；最后，将YOLOv11中原始的检测头替换为EfficientDet Head，与BiFPN联合训练，能够充分利用多尺度特征，有效提高模型性能。 【结果与讨论】 改进后的YOLOv11的精确率为96.8%、召回率为96.9%、平均精度均值（Mean Average Precision, mAP）为92.5%、浮点运算量为4.6 G、参数量为1.67×10⁶、模型大小为3.6 MB，与原始YOLOv11模型相比，改进后的YOLOv11模型的精确率、召回率、mAP分别提升了2.6、1.4、2.2个百分点，同时，浮点运算量、参数量、模型大小也显著降低；与其他深度学习模型SSD、YOLOv5s、YOLOv8n、YOLOv11、YOLOv12相比，改进后的YOLOv11模型综合性能最佳。 【结论】 改进的YOLOv11模型在芦笋分级任务中展现出了更好的识别效果、更少的参数量和浮点运算量和更小的模型大小，能够为采后芦笋智能化分级提供理论基础。