农业AI与大模型

对精准农业中深度学习杂草分类、检测与分割研究进行文献计量与综述分析。

提出IoT与AI融合框架，结合实时土壤数据与天气预报推荐适宜作物。

对比经典机器学习与深度学习模型在精准农业早期杂草检测中的性能。

提出基于DeiT的混合可解释框架，实现植物病害分类与严重度估计。

提出CNN+ViT混合深度学习框架，利用多时相Sentinel-2影像监测作物分类与干旱胁迫。

综述2022-2026年AI在农业的应用趋势、成效与各国推广障碍。

提出融合GLCM纹理特征与CNN的集成深度学习框架，实现土壤pH等级图像分类。

提出自适应AI决策支持系统，用轻量网络与特征优化实现精准农业实时图像分析与决策。

用机器学习预测自动喷雾机的流量、喷幅、角度和重叠，实现精准农业。

综述AI与IoT在精准农业中的集成技术、应用与挑战，提出未来研究方向。

综述智能农学新兴技术与可持续实践，重点评述第13章未来农学趋势与挑战。

综述AI在气候智慧农业中的应用，涵盖产量预测、天气预报、灌溉管理和病虫害检测。

MDPI AgriEngineering 2026, 8(6), 249。精准农业越来越依赖应用于无人机(UAV)采集的高分辨率数据的机器学习来支持作物监测、胁迫检测和产量预测。本综述提出了无人机赋能精准农业机器学习方法的结构化综述,在一个由感知模态、数据类型、模型家族和分析任务四个维度定义的统一分类法中组织100多项同行评议研究。该分类法能够在RGB、多光谱、高光谱、LiDAR和IoT数据源之间进行系统比较,并在经典机器学习、深度学习、混合顺序模型和新兴基于Transformer的架构之间进行系统比较。分析建模选择如何与数据特征相互作用以影响鲁棒性、跨环境泛化、计算效率和UAV及边缘平台上的部署可行性。识别新兴研究方向,包括数据高效学习、表示级多模态融合、域自适应、轻量级架构和不确定性感知决策支持。

2026年8月26日发表于Elsevier期刊《Artificial Intelligence in Agriculture》的系统综述(PRISMA 2020框架),纳入2021—2025年95项同行评议研究:机器学习模型诊断植物病害准确率>99%,灌溉控制器提取88%水分利用效率,机器人能看、数、收作物。51.58%论文发表于Q1期刊,36.84%为Q2期刊,JCR影响因子2.2-14.0。主题分布:环境监测23.15%、温室控制与保护栽培21.05%、病虫害检测21.05%、水培16.84%、产量预测13.68%。方法学:经典机器学习25.26%、IoT/AIoT 22.11%、深度学习与计算机视觉13.68%。审稿人指出多数研究仅通过单地点单季节的train-test或k-fold交叉验证,缺乏独立外部验证,发布准确率可能高估实际适用性。[预印本边界说明:已发表于同行评审期刊]

原文标题: AI-driven approaches in precision agriculture for strawberry production: A systematic literature review。作者: Effrosyni Bitakou、Svetlana Vujić et al.本文系统综述了人工智能在精准农业中应用于草莓生产的研究进展，覆盖机器学习、深度学习、计算机视觉与机器人等技术在草莓产量预测、果实品质分级、病虫害早期诊断、灌溉施肥精准调控、采收机器人等核心场景的应用。研究发现AI方法可显著提升草莓生产效率与资源利用率，但田间多站点外部验证仍不足，未来研究应进一步关注数据异质性、模型可解释性、田间部署成本与农户接受度。本文为草莓产业从传统经验种植向数据驱动智能生产转型提供路线图与未来研究方向。

比较CNN（经典基线）、量子支持向量分类器与变分量子分类器（VQC）在航拍田间作物-杂草区分任务中的表现。CNN测试峰值准确率约94%，QML为85%-89%；CNN推理速度约10ms/图像，量子模型为数百毫秒；QML模型可训练参数仅数十到上百个，远低于CNN的百万级。结论：经典深度学习仍是当前最可靠方案，QML随硬件/算法进步有望加速追赶。

基于低空UAV RGB影像的作物物候期深度学习自动分类研究。利用11,489张向日葵、油菜、大豆、小麦和大麦图像,基于BBCH量表标注,采用预训练ResNet18通过迁移学习适应任务。两阶段训练:先冻结骨干优化分类头,再微调整个网络。油菜和大麦测试准确率100%,其他作物均超过99%,平均准确率达99.73%。结果支持低空UAV影像与深度学习在精准农业中选择性区域物候评估的潜力,但广泛部署需要跨独立田块、季节、地区和调查条件的验证。

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。

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。