［目的/意义］ 果园低空经济是农业新质生产力的重要交叉发展方向之一，是推动果品行业全面高质量发展的新兴产业，主要依托装备制造环节集成、智慧农业技术融合、消费生态体系衍生，构建果园全周期生产、管理与服务产业链，推动果园低空全价值链的协同发展与产业生态闭环。 ［进展］ 本文立体化解构果园低空经济上游、中游和下游三个环节的应用与技术现状。其中，上游产业聚焦低空装备制造与基础设施建设；中游围绕果园“产前—产中—产后”作业环节，包括土壤属性检测、精准施药、产量估算和采摘运输等具体场景；下游产业围绕“人、机、险、空、旅”的消费生态网络，涵盖服务保障、装备租赁和果旅融合。 ［结论/展望］ 在总结当前果园低空经济发展现状与典型案例的基础上，本文进一步分析果园低空技术在实际应用推广中面临的装备适配性不足、基础设施未完善、服务标准未统一等技术与制度瓶颈，并提出其发展趋势，为果园低空经济的技术推广与产业升级提供参考。

［目的/意义］ 玉米雄穗的精准识别是制种生产的关键环节。针对现有目标检测模型在复杂大田场景下的研究存在数据维度受限、特征提取不足、计算负载较高、检测效率低下等问题，本研究提出一种基于改进YOLOv11n的大田玉米雄穗实时检测模型LightTassel-YOLO，旨在快速、准确地识别玉米雄穗，以实现去雄无人机的高效作业，减少人工干预的影响。 ［方法］ 利用无人机连续获取2023—2024年玉米抽雄期数据，构建了覆盖玉米抽雄不同阶段、多品种、多高度及多气象条件的大规模高质量玉米雄穗数据集。首先，将EfficientViT应用于主干网中，以增强在多尺度特征中感知信息的能力；其次，设计C2PSA-CPCA模块通过为特征图动态分配通道和空间维度的注意力权重，有效增强网络对目标特征提取能力的同时降低了计算复杂度；最后构建C3k2-SCConv模块，促进代表性特征学习的同时达成低成本空间特征重构，提高模型检测准确率。［结果与讨论］ LightTassel-YOLO为玉米雄穗检测提供了一种可靠方法，最终模型的准确率为92.6%，召回率为89.1%，AP@0.5为94.7%，较基准模型YOLOv11n分别提升2.5、3.8、4.0个百分点，参数量仅为3.23 M，计算量为6.7 GFLOPs。此外，LightTassel-YOLO还与目前主流的目标检测算法Faster R-CNN，SSD和YOLO系列的多个版本进行对比，验证本研究提出方法在综合性能上均优于上述算法，在典型田间场景中，模型亦展现出优异适应性。 ［结论］ 本研究所提出的方法为玉米雄穗精准监测提供了有效的理论基础，对提升田间管理智能化水平具有重要意义。

［目的/意义］ 玉米螟虫害检测对提高玉米的产量和质量至关重要，然而现有的检测方法存在一定的局限性，难以满足大规模应用的要求。针对该问题本研究实践了一种基于无人机低空近景图像和YOLO-ESN（You Only Look Once Enhanced Small object Network）模型检测玉米螟虫害的方法，以虫洞检测替代虫体检测，从而提高田间应用的适应性。 ［方法］ 本研究以YOLOv11（You Only Look Once version 11）模型为基础，在Backbone部分加入ELA（Enhanced Lightweight Attention）模块，增强模型特征提取能力，在Neck部分采用轻量级C3k2-SCConv（C3k2-Spatial and Channel Reconstruction Convolution）模块，在参数量减少的同时提升特征融合效率，在Head部分新增微小目标检测模块，直接利用浅层高分辨率特征提升模型性能，同时加入NWD+EIoU（Normalized Wasserstein Distance+ Efficient Intersection over Union）损失函数优化边界框回归精度。最后，结合决策树算法确定虫害严重程度并生成虫害分布热力图。 ［结果和讨论］ 在自建玉米螟虫害数据集上进行的实验表明，改进后的YOLO-ESN在mAP@50（mean Average Precision）和mAP@50∶95上分别达到88.6%和40.5%，较基准模型提升7.6和4.9个百分点，精准度与召回率分别达到80.2%和82.1%，较基准模型提升6.3和2.3个百分点，同时参数量减少11.52%。 ［结论］ 实验结果证明，本研究为玉米螟虫害大范围精准检测提供了一种高效解决方案，以期推动精准农业进一步发展。