该框图展示了李阳等人发表于《农业机械学报》（2026年）的研究《融合语义与图像感知的棉花病虫害检测方法》，核心探讨“从叶片纹理到类别原型：文字在何处参与检测”。其机制分为三部分：a. 形态线索：提取病斑局部的矢量形态特征；b. 视觉与文本的汇合：将VGG19、Swin与尺度融合得到的多尺度视觉特征，与冻结CLIP提取的结构化农艺文本提示相结合，训练适配模块以生成类别“原型”，用以引导像素级注意力；c. 完整检测器：基于上述融合机制构建的检测器在棉花病虫害检测中取得了92.5%的mAP，相较于YOLOv5s提升3.6个百分点，相较于YOLOv8n提升4.6个百分点。研究特别提示，实验比较的是完整检测器，若想单独评估文字提示的贡献，应固定视觉骨干与尺度融合模块进行消融。该工作清晰呈现了文本语义如何深度嵌入视觉检测流程中。无论你是研究多模态目标检测与语义融合的科研学者、探索视觉-语言模型高效适配的算法工程师，还是致力于智慧农业病害检测落地的开发者，都能从中获得架构启发与对比参考。