农业AI与大模型

系统综述目标检测三十年发展，从传统方法到深度学习、Transformer及大语言模型，并分析数据集与

MDPI Agriculture 2026, 16(17), 1826, 2026年8月26日发表。江苏大学低空技术学院与电气信息工程学院联合综述,提出从低级数据增强和静态空间认知再到高级动态时空推理的渐进分析框架。气候变化、土地退化和资源稀缺驱动精准农业成为确保全球粮食安全的战略必然。传统人工检查主观且不可扩展;计算机视觉为精准作物和牲畜管理提供非侵入式解决方案,但在农业实际场景中的应用面临严重遮挡、光照剧变和生物目标非刚性形变等特定挑战。深度学习已成为克服这些限制的主流范式,CNN、Vision Transformers (ViTs)和Graph Neural Networks (GNNs)等架构学习海量数据中的自适应层次表示。识别四个优先研究方向:架构效率、数据级标注效率、部署级隐私和仿真、信任级安全。

种子活力是种子质量与发芽潜力的关键指标,传统活力检测方法如四唑染色具有破坏性且需3-7天高强度人工操作,成为大规模播前筛选的关键瓶颈。本研究提出SeedFocusNet,集成浅层特征提取模块与基于Focal Loss的分类骨干网络,旨在增强对难以区分的高活力种子的识别。超参数通过Optuna框架结合贝叶斯优化在验证集上自动优化,ResNet50被选为最优架构。在测试集上对高活力种子识别的精确率达到74.39%,召回率达到54.46%。温室出苗实验进一步验证了SeedFocusNet筛选出的种子在同一品种内不同储藏时长下均表现出更高的出苗率。

茶叶栽培到品质评估的计算机视觉综述。全面比较视觉技术(RGB、高光谱、近红外、热成像、LiDAR、UAV)并建立任务导向的算法选择框架。小样本或近线性问题传统机器学习(SVM、PLSR)依然有效;非结构化田间任务深度学习表现优越:害虫检测准确率超97%,茶芽RGB图像检测96.8%,高光谱预测氮含量R²>0.90、茶多酚R²高达0.925。算法选择需进一步按任务粒度区分:轻量级CNN平衡边缘部署速度与精度(16fps);YOLO系列检测器在移动平台实现实时定位(93.1%准确率、24ms/目标)。

山西农业大学研究团队开发ALSDet人工智能工具,用于在苹果叶病(如苹果锈病、蛙眼叶病)扩散前发现,集成多阶段全局上下文模块基于ResNet-50架构。用扩张卷积替代关键阶段的3×3卷积,扩大AI视野,多尺度训练策略与在线难例挖掘迫使模型专注于最难案例。ALSDet实现mAP 65.6%和平均召回率(AR)71.2%,优于YOLOv8、Faster R-CNN、RetinaNet;对于锈病和蛙眼叶病,模型识别受影响叶片精度超过87%。这意味着更早的干预、针对性的喷施和减少浪费,在苹果生产数十亿美元产业显著提高效率。原文标题:ALSDet Deep Learning Apple Leaf Disease Detection,发表于Frontiers in Plant Science 2026-08-08,作者:山西农业大学软件技术学院Xulu Gong(通讯)。

本文系统综述双目立体视觉在农业应用中的最新进展,涵盖系统架构、传统与基于深度学习的立体匹配方法、点云重建技术及新兴的3D高斯溅射等监督策略。综述总结了关键应用,包括高通量表型分析、果实定位与机器人采摘、杂草检测与精准喷施、自主导航以及畜禽体况评估,突出其在多任务农业感知系统中的作用。论文还讨论了低纹理匹配困难、复杂环境中的遮挡、跨域泛化、实时轻量化部署及有限数据集可用性等主要挑战,并展望基于基础模型的视觉感知、自监督与弱监督学习、多模态融合及边缘高效模型设计的未来方向。原文标题:Advances in Binocular Stereo Vision-Driven 3D Perception and Intelligent Analysis Methods for Agriculture,作者:江苏大学Ye R、Wang J、Kong Z、Ou M,发表于MDPI Applied Sciences 2026年第16卷第16期7957。

本文对YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN、RT-DETR六种目标检测模型在尼日利亚农场实地采集的真实世界数据集AgriAISeg 1(3382张芝麻、卷心菜、番茄图像)上进行比较,涵盖不同光照、遮挡和视角条件。结果显示RT-DETR整体表现最优,精度0.768、[email protected]:0.95达0.624;YOLOv8和YOLO11表现稳定强劲;Faster R-CNN精度显著较低,[email protected]仅0.466,YOLO系模型训练效率优于Faster R-CNN。研究表明,现代单阶段和基于Transformer的检测器在真实世界农业环境中提供更可靠、高效的植物检测解决方案。原文标题:A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa,作者:Ismail Ismail Tijjani等8人,arXiv:2608.11053,2026年8月11日提交。

本文提出自适应广义回归深度卷积强化学习(AGR-DCRL)模型,用于智慧精确农业作物产量预测。模型由输入层、卷积层、池化层和密集层组成,IoT技术采集天气、土壤、农药使用数据。在卷积层,采用加权局部相似性插补和广义Tietjen-Moore检验进行缺失值处理和异常值检测;在池化层,采用Camargo自适应多样性指数进行特征选择;在密集层,通过多项式逻辑回归进行产量预测,采用softmax激活函数生成多类预测结果。实验结果表明,AGR-DCRL模型相比传统深度学习方法准确率提高4%,误差率降低69%,预测时间快20%。原文标题:Adaptive generalized regressive deep convolutional reinforcement learning for crop yield prediction in smart precision farming,作者:Preethi P、Devadas R M,适用于大规模产量预测数据集。

《农业工程学报》2026年第42卷第9期刊载华中师范大学等单位杨子恒、胡琼、吴尚岐、徐保东、蔡志文论文。DOI: 10.11975/j.issn.1002-6819.202510247。研究基于多源中、高分辨率遥感数据和深度学习语义分割算法,自动提取农田地块与道路等基础设施的空间分布信息,结合数字高程模型与水旱分布数据,从地块形状、规模、平整度以及道路通达度4个维度建立综合评价体系,以当阳市为研究区域。结果:语义分割模型农田地块与道路面积准确度分别达到0.92和0.79,边界匹配度0.85和0.86;研究区宜机化良好农田面积占比达67.3%,丘陵山区乡镇普遍面临道路通达度不足与地块平整度较差问题。

河南农业大学豆根生、王开元、秦兆辉为共同第一作者,豆根生、李俊周、陈震为共同通讯作者,在Molecular Plant发表PlantPTM——首个覆盖水稻、小麦、玉米等多种植物、支持多类翻译后修饰(PTM)的植物专有深度学习预测工具。在独立测试集上,PlantPTM在9种PTM类型的平均AUROC达0.8640,其中N-糖基化位点预测AUROC最高达0.9699。与25种现有预测工具对比,在所有PTM类型上均显著优于已有方法,AUROC提升2.90%-19.08%,平均提升15.46%。留一物种交叉验证显示,即使完全排除拟南芥或水稻等数据丰富物种参与训练,模型在未见物种上的AUROC仍稳定在0.8以上。

2026年8月5日《Frontiers in Plant Science》上线的研究提出PestRefineDet——一种基于深度学习的精准害虫检测与分类框架,将DenseNet-41与RefineDet集成。DenseNet-41作为骨干网络通过密集连接增强特征提取,有效学习细粒度害虫特征,提取的特征由单阶段RefineDet框架处理实现害虫同时定位与分类。该框架在具有挑战性的IP102基准数据集上评估,实现平均精度([email protected])83.61%,在保持计算效率的同时提供对多种害虫物种的准确定位与可靠分类,为自动化农业害虫监测提供前景广阔的解决方案,有望支持智能和可持续害虫管理应用。

为降低农业病虫害识别深度学习部署的专家标注成本,文章提出三层主动学习框架:动态原型记忆通过动量指数滑动平均保持稳定类别表征;上下文感知样本选择采用神经上下文老虎机动态调整分支组合比例;类别平衡评分通过逆频加权在选择阶段直接优先关注少数类。在IP06(害虫)和Natural CW-10(杂草)数据集上,框架在90%数据可用率下分别取得83.36%和85.07%的准确率,在20%低数据可用率下较最强基线分别领先4.12和2.68个百分点。结合GAN增强数据后,IP06上准确率提升至84.91%,Natural CW-10上提升至86.42%,证明主动学习与生成式AI在智能农业中的互补价值。

华中农业大学张纾、武汉邮电科学研究院王立强、长江工程职业技术学院王猛系统综述端到端自动驾驶技术在农业非结构化环境下的理论适应性与应用场景。深入分析农业环境的动态变异性、导航参考缺失及作业任务精度要求高特征与挑战；解析精准导航、三维空间作业路径规划、复杂环境适应与群体智能协调等方面的实现路径与技术优势；并前瞻性地展望该技术与多模态大模型、农艺知识图谱的深度融合趋势。

Anusree Manoj, Aiswarya S. Kumar, S. Remya, Somula Ramasubbareddy, Yong Yun Cho提出一种面向农业数字孪生系统的深度学习感知框架,涵盖杂草物种分类、语义分割和基于梯度的视觉可解释性分析。