初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题，本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络（Flue-cured Tobacco Leaf Grade Detection Network，FTGDNet）。首先，FTGDNet采用CSPNet作为特征提取主干网络，采用GhostNet作为辅助特征提取网络以增强模型的特征提取能力；其次，在主干网络末端嵌入显式视觉中心瓶颈模块（Explicit Visual Center Bottleneck module，EVCB）以实现全局特征信息与局部细节特征信息融合；然后，构建多感受野特征自适应融合模块（Multi-Receptive Field Feature Adaptive Fusion module，MRFA_d），利用注意力特征融合机制（Attention Feature Fusion，AFF）将不同感受野特征图进行自适应加权融合，在增强模型局部感受野的同时突出有效通道信息；最后，设计了一种新的定位损失函数（More Complete IoU Loss，MCIoU_Loss），结合预测框与真实框面积损失以解决在回归定位过程中二者宽高比相等且中心点重合时CIoU_Loss性能退化导致定位精度下降问题，此外，引入矩形相似度衰减系数在训练过程中对真实框与预测框的相似度判别项进行动态调整，加快模型拟合。实验结果表明，FTGDNet对十个等级的初烤烟叶的验证精度达到90.0%，测试精度达到87.4%，且推理时间仅为12.6 ms。相较于多种先进目标检测算法，FTGDNet具有更高的检测精度和更快的检测速度，可为高精度初烤烟叶等级检测提供关键技术支撑。

飞机在夜间起降时机场跑道上侵入的异物严重威胁航空运输安全，而暗光背景下依靠人工步行巡查小尺度异物更易留存致命的安全隐患。将智能视觉检测算法引入机场跑道异物入侵领域，针对现有模型倾向关注局部特征而造成检测精度低等问题，设计了一种融合自注意力特征嵌入的CSPTNet夜间机场跑道异物检测算法。为改善卷积神经网络关注局部特征而忽视全局特征的缺陷，将标准瓶颈模块替换为Transformer瓶颈模块，特征图子块扁平化分割后嵌入位置特征编码，有利于图像从像素表示转化为向量表示，在高维向量空间中捕捉像素间关系。采用多头自注意力机制从注意力分支子空间中获取不同分支聚合的特征信息，从而实现全局特征与局部特征信息的融合。针对数据集目标尺度较小导致轮廓边缘模糊以及定位困难等问题，引入CIoU损失函数以实现预测框尺寸和中心位置的修正优化，提高异物目标轮廓的定位精确性。实验结果表明，本文模型的检测速度达到38 frame/s，满足实时检测的要求；平均精度最高为88.1%，应用融合自注意力特征嵌入的Transformer模块相比于标准瓶颈模块提升5.7%，与当前先进的YOLOv5模型相比提升5.2%，从而验证了CSPTNet算法对夜间机场跑道异物检测的有效性和工程实用性。