随着人工智能技术的飞速发展，以ChatGPT为代表的大语言模型正在深刻改变数学建模竞赛的备赛范式。本文系统探讨了在2026年全国大学生数学建模竞赛背景下，如何高效利用ChatGPT辅助文献检索与模型构思。文章首先分析了当前数学建模竞赛面临的信息过载与时间紧迫的双重挑战，进而提出了“人机协同”的智能化备赛框架。在此基础上，本文详细阐述了ChatGPT在文献检索策略优化、文献内容智能分析、多领域模型灵

本研究基于YOLO26目标检测框架，构建了一套高效准确的口罩佩戴检测系统。该系统针对两种关键类别——未佩戴口罩与正确佩戴口罩——进行智能识别与定位，适用于公共场所疫情防控需求。实验采用6732张图像作为训练集，1227张图像作为验证集，通过YOLO26模型进行端到端的目标检测训练。验证结果表明，模型在检测精度和召回率方面表现优异，整体mAP50达到0.955，其中佩戴口罩类别检测精度为0.97，未

本文介绍了一个基于YOLO26的苹果损坏检测系统，用于自动化识别和定位受损苹果。系统采用单类目标检测方法，仅针对"damaged_apple"这一类别进行训练和验证。实验使用356张标注图像（训练集253张，验证集103张），在NVIDIA RTX 4090 D GPU上进行训练。验证结果显示，模型在IoU=0.5阈值下达到82.9%的平均精度(mAP50)，综合精度为82.4%，召回率为74.6

本文基于YOLO26目标检测算法，构建了一个面向七种车辆类型的检测系统。该系统可识别tiny-carmid-carbig-carbig-truckoil-truck和共七类车辆。数据集包含训练集1488张、验证集507张和测试集31张。实验结果表明，模型在验证集上取得了mAP50高达0.99、mAP50-95为0.882的优异成绩，精度和召回率分别为0.979和0.955。各类别检测性能均衡，尤其

本文针对智能冰箱应用场景，提出了一种基于YOLO26的冰箱内部食物检测系统。该系统旨在实现冰箱内30类常见食物的自动识别与定位，包括水果、蔬菜、肉类、乳制品等多种类别。研究采用自定义数据集进行模型训练，数据集包含2896张训练图像、103张验证图像和51张测试图像，覆盖了日常生活中常见的食物类别。实验结果表明，模型在验证集上取得了0.964的mAP50，精确率达到0.953，召回率达到0.942，

本文针对苹果品质检测中的新鲜与腐烂分类问题，基于YOLO目标检测算法构建了一套高效的苹果新鲜腐烂检测系统。该系统可自动识别图像中的新鲜苹果（apple）与腐烂苹果（damaged_apple），为果蔬品质评估提供智能化解决方案。实验采用YOLO26模型在数据集上进行训练与验证，数据集共包含697张标注图像，其中训练集489张、验证集178张、测试集30张。训练结果显示，模型在验证集上的mAP50达

杂草的精准识别与定位是实现智能农业精准施药的关键技术之一。本研究针对农田中常见的杂草“ridderzuring”（酸模），构建了一个基于YOLO26的目标检测系统。数据集共包含2486张标注图像，划分为训练集（1661张）、验证集（580张）和测试集（245张），所有图像均标注了单一类别“0 ridderzuring”。实验结果表明，模型在验证集上的平均精度均值（mAP@0.5）达到78.1%，精

大豆作为全球重要的经济作物，其精准检测对农业生产监测、产量估算和智能收割具有重要意义。本文提出了一种基于YOLO26的大豆目标检测系统，旨在实现田间环境下大豆目标的高精度实时检测。实验采用自建大豆数据集，包含1984张标注图像，其中训练集1716张、验证集168张、测试集100张，所有图像均标注单一类别"sogbean"。

植物病害是影响全球农业生产的主要因素之一，及时准确的病害检测对于保障作物产量和品质至关重要。本研究基于YOLO26目标检测算法，构建了一个面向30类植物叶部病害的智能检测系统。数据集包含2009张训练图像和246张验证图像，涵盖苹果、番茄、葡萄、玉米、马铃薯、草莓等多种经济作物的健康与病害叶片。关键词：YOLO26；植物病害检测；目标检测；深度学习；农业智能化本研究使用的植物叶片数据集包含30个类

本报告基于YOLO26目标检测框架，构建了数字的识别系统。系统共包含10个类别，训练集、验证集和测试集分别为966张、99张和50张图像。模型在验证集上取得了mAP50为0.993、mAP50-95为0.917的优异性能，精度和召回率分别达到0.993和0.982。混淆矩阵分析显示，模型对各类别数字的识别准确率接近100%，无明显类别混淆问题。训练过程中的损失函数持续下降，mAP指标稳定上升，表明