该框图展示了该检测模型采用的“语义+视觉”双路径融合架构：语义路径以农艺文本为基础，使用冻结的CLIP模型提取特征，通过结构化提示进行文本调整与参数高效适配，最终利用原型引导注意力将可学习的类别原型与像素关联，实现文本对图像定位的引导；视觉路径则针对目标尺度和背景差异较大的棉田病虫害图像，采用VGG19与Swin Transformer提取局部与全局特征，通过连续尺度特征融合结合语义线索完成最终检测。在性能指标方面，该完整检测方法在棉花病虫害数据集上的mAP达到了92.5%，相对YOLOv5s的mAP提升了+3.6个百分点，相对YOLOv8n提升了+4.6个百分点。图表底部特别给出了阅读要点，强调这些差值是与完整的检测器进行比较，若要单独归因于文字提示的贡献，还需在固定视觉分支的情况下比较有、无语义引导的差异。总体而言，该研究证明了引入农艺文本语义信息能有效提升复杂背景下病虫害检测的准确性。该内容适用于农业信息化与智慧农业领域的研究人员、计算机视觉（尤其是多模态融合与目标检测方向）的学者与工程师、农业植保专家以及致力于将AI技术应用于农业场景的算法开发人员，特别适用于智慧农业中的农作物病虫害自动化监测与预警系统开发、多模态大模型（视觉-语言模型）在细粒度图像识别与定位任务中的落地实践，以及农业机械自动化与精准施药系统的视觉感知模块设计。