#预印本

提出RNN多任务学习方法，用于标签稀疏的葡萄抗寒时间序列建模。

Arsalan Iqbal在《engrXiv》预印本平台发布研究,提出一种基于强化学习引导的自主四旋翼无人机平台,融合机载视觉同步定位与建图(Visual SLAM)与推扫式高光谱成像载荷,在近实时构建地理参考的、冠层配准的作物水分胁迫指数(CWSI)地图。平台采用近端策略优化(PPO)训练的自适应采样策略,根据飞行中积累的证据将飞行时间和传感器驻留时间重新分配到新兴水分胁迫区域。在0.8公顷试验田模拟田间试验中,强化学习引导策略实现了92%的水分胁迫区域检测率(固定网格基线为61%),同时任务飞行时间减少约32%。研究还报告了SLAM衍生的冠层结构对CWSI精度的贡献消融研究、田间复杂性敏感性和全误差预算分析。注:本研究为预印本,未经实地验证。

端到端模仿学习避开了手工制作接近抓取的机器人运动,但策略仍需决定采摘哪个水果以及在何处闭合夹爪。遮挡会使策略在采摘过程中丢失所选水果,正确的闭合点也难以仅从像素推断。本研究提出HarvestPoint-ACT,在感知中使两个决策显式化并提供给策略:实例分割前端带关键点分支为每个可见水果预测掩码和采摘点;调度器按遮挡和移动距离对检测候选排序并选择一个目标。每次尝试后重新检测和重新排序候选。所选水果被编码为8维状态,送入动作分块Transformer。在冠层模拟装置上成功率88%,重遮挡下75%。

稻田定点杂草管理相比传统广域喷药可大幅减少除草剂用量,但现场部署受三大挑战制约:冠层下GNSS退化的稳健作物行导航、稻与形态多样化杂草的实时视觉区分、将稻误识为杂草的不可逆错误代价。本研究提出AgriNav,围绕四个ROS耦合模块构建集成自主拖拉机系统:用于稻检测的WeedDet PyTorch重实现、并行轻量级168万参数CNN-FPN变体(带非对称类加权)、通过硬编码置信门否决保护稻类的逆逻辑判别模块,以及融合GNSS/IMU/轮式里程计的6状态恒定速度转向率扩展卡尔曼滤波。主要系统级贡献是LiDAR-相机融合桥,利用导航LiDAR做ROI约束、世界坐标投影、地面平面滤波和双向置信融合,无额外硬件成本。

中国作者团队发布1 亿参数红外光谱基础模型 UltraIR,基于约 6,000 万模拟光谱预训练并融合谱图重建、分子指纹对齐与官能团预测;在官能团预测、混合物定量、细菌分类、药材产地鉴别、微塑料分类及土壤属性预测等任务上均超越传统机器学习与任务专用深度学习,少样本与跨实验室零样本迁移能力显著,为农业土壤属性检测、药材溯源与农产品品质化学感知提供数据高效新路径。[预印本,未经同行评审]

Vasileios Tzouras、Paraskevas Pegios、Lazaros Nalpantidis于arXiv(2026-08-08)发表预印本。研究引入AgriField-40K,一个源自17个公开数据集的以田野为中心的农业数据集,涵盖多样化作物、杂草和田间条件;并提出AgriMAE,一种参数高效的持续预训练基线,通过仅训练轻量适配器来适配在自然图像上预训练的掩码自动编码器。AgriMAE在下游任务上一致提升性能,使用多达9倍更少的可训练参数即可匹配甚至超越全量微调,证明AgriField-40K是农业视觉持续预训练实用的资源。为精准农业模型开发提供低成本高效率的迁移学习路径,对农业视觉应用具有显著价值。

Qihe Su、Mengyu Sun、Yuxi Ke、Zhuoyan Jiang、Wanneng Yang、Chenglong Huang、Ziyuan Yang于arXiv(2026-08-10)发表预印本。GROW是面向开放集谷物识别与定量分析的统一框架,无需重新训练即可识别新品种并完成定量分析。方法上,GROW首先进行类无关谷物定位,将混合谷物图像转换为独立实例用于品种计数和表型测量,然后将视觉嵌入与形态描述符融合为谷物描述符存储在可扩展的GrainBank中,查询谷物通过秩相似度加权top-k检索识别,新品种通过追加描述符纳入而无需更新部署模型。在渐进式品种扩展、不同谷物密度、背景域偏移场景下展现良好的可扩展性、鲁棒性和适应性,与联合重训练相比,GROW将平均类别注册时间从4153秒降至仅39秒,同时保持有竞争力的识别性能。

2026年8月2日arXiv上线cs.CV预印本ST-LoRA,提出面向农业不确定性感知语义分割的LoRA高效集成框架。研究针对数字农业决策支持对预测精度与不确定性校准的双重需求,以及集成方法计算与内存开销大的瓶颈,提出在单训练轨迹下构建多样化集成成员:每个成员共享冻结预训练骨干网络,仅通过轻量级低秩适配器(LoRA)差异,训练参数控制在全模型的10%以内,保持集成多样性。实验采用两套农业数据集:GrowliFlower-L(花椰菜,露天)和BUP20(甜椒,温室),覆盖分布内性能、分布偏移下的校准以及分布外检测。研究发现,前馈层而非注意力层是密集预测场景下LoRA的关键靶点(颠覆语言模型仅关注注意力的惯例),ST-LoRA在分割精度与校准上匹配或超越全秩集成,且显著降低训练时间、推理延迟、内存占用与存储需求;优于快照集成、MC Dropout与深度确定性不确定性等高效基线。

arXiv 2026年8月4日上线的预印本,提出一种面向互联精准农场的AI驱动云边架构。研究针对番茄早疫病、晚疫病、叶霉病等重大病害导致严重减产的问题,集成物联网传感器、无人机、深度学习、Azure IoT Hub云端分析与多平台(移动应用、Web应用、嵌入式边缘设备平台)接口,实现番茄病害实时检测。模型基于PlantVillage、Kaggle等公开数据集训练,通过TensorFlow模型部署至移动、Web与边缘设备平台。实验结果显示检测有效性达92-95%,在不同环境与设备平台表现一致,显著降低人工巡检依赖,实现及时干预,支撑可持续互联精准农场发展。

Levinkopf E、Morin E 与 Goldman CV 在 arXiv 提交预印本"Context-Aware Concept Distillation for Trustworthy Flood Prediction"（arXiv:2607.23237 [cs.LG]，2026-07-25提交）。研究面向公共安全高风险场景下深度学习"黑箱"阻碍信任与问责的难题，提出 Context-Aware Concept Distillation（CACD）框架，将 LSTM 蒸馏为可解释的水文学感知代理模型：通过无监督流程发现"水文学语言"，并用残差超网络（Residual Hypernetwork）根据静态流域特征动态调节这些概念。在全球 5,203 个流域上，模型中位 NSE 0.70，显著优于多层感知机等黑箱基线在未见过未来数据上的表现。

Hagbe JTM、Gounou GK 与 Zimé SK 在 arXiv 提交预印本"Safety-Aware Cascaded Inference for Crop Damage Assessment with Controlled Error Trade-offs"（arXiv:2607.25468 [cs.CV]，2026-07-28提交）。针对基于图像的农业保险中漏检成本远高于误报的非对称代价结构，提出 CascadeCropNet 两阶段级联架构：通过阈值选择满足目标召回约束（Rec-Damaged ≥ 0.95），轻量 Sentinel 模型先做二分类健康分诊，超过损伤概率阈值 τ 的样本升级到专家 Expert 模型做精细诊断。在 Eyes on the Ground 数据集（肯尼亚小农户玉米田 23,804 张图像）上，τ=0.5 时 Rec-Damaged 达 0.974，相对单模型基线漏检减少最多54%。注：该方法可靠性取决于阈值与部署条件，并非任意分布漂移下的绝对保证。

论文提出Persona-as-Configuration生成式报告框架，针对农业洪涝灾害场景中需要同时向农民、地方政府、保险公司、应急管理部门等多类利益相关方传递差异化信息的痛点。框架通过将利益相关方的需求特征参数化配置，结合大语言模型生成定制化、结构化的灾害报告文本，提高沟通效率与决策支持效果。

研究提出基于自监督3D卷积自编码器（3D-CAE）的时空胁迫网络STS-NET，利用Planetscope高分辨率影像的NDVI、GNDVI、RECI和NDRE四种植被指数进行作物胁迫检测。模型在Barnala时空（BSPT）数据集训练，并在印度北方邦Lakhimpur-Kheri地区2.5英亩甘蔗试验田的真实数据集（一年期）上评估。STS-NET在水胁迫检测上达到97.98%精度、氮胁迫85.08%精度、复合胁迫83.47%精度。结果表明该网络能以最少标注数据有效检测甘蔗作物胁迫，并可作为简单模型的稳健特征提取器。

Agri-SAGE是一个闭环框架，旨在通过将检索增强的多智能体LLM推理与基于APSIM的生物物理模拟相结合，生成并验证农艺建议，从而解决静态农艺指南"对季节内变化和动态不确定性视而不见"以及LLM驱动咨询系统"生成农艺上可信但生理上不可信的建议"两个核心矛盾。研究评估了三种推理方法——规划与求解、思维树和反思法，进行了为期10年的回顾性分析。结果显示三种推理方法均优于静态基线，其中思维树实现最高产量，反思法以较低计算成本达到相当效果。

基于Sentinel-2光学影像的早期甜菜产量预测研究。通过紧耦合领域知识与机器学习，使用极小Vision Transformer patch size与全部Sentinel-2谱段，提升了模型表现。研究通过调整训练设置与基于排名的低产田检测方法，能在生长周期早期识别出大量低产田，为精准农业田间管理提供早期决策依据。