浏览数字农业与前沿技术相关政策、产业动态与研究。
南京财经大学管理科学与工程学院张庆民、何腾飞、徐妍发表于《安徽农业科学》2026年14期。AI赋能数字乡村建设的本质是以乡村数据为关键要素、以智能农具为支撑,通过在乡村场景中实现乡村产业、治理、生态、文化、服务等现代化转型,最终推动乡村高质量发展和城乡深度融合。从AI赋能、场景理论与新质生产力视角诠释三个问题:面向农村农业农民AI赋能数字乡村建设的技术逻辑是什么?面对乡村场景的异质性、碎片化与社会责任,如何实现乡村场景的有效适配?应该采用什么样有效路径推进AI赋能数字乡村建设?
顾雪微、赵向豪(《智慧农业(中英文)》2026年第3期,DOI:10.12133/j.smartag.SA202505010)。系统探究智慧农业技术革新赋能农业绿色转型的内在逻辑:从数据维度切入构建多源异构的农业数据采集体系;从算法层面发力借助智能决策重塑资源配置模式;在设备领域推进突破传统装备创新范式;自生态视角着眼构筑绿色生态监测体系。通过数据-算法-设备-生态的协同演进,构成智慧农业赋能农业绿色转型的创新逻辑。论文进一步剖析赋能农业绿色转型存在的障碍并提出可行的对策建议。
基于无人机遥感的茶梢类别检测。研究利用UAV遥感图像对茶树新梢进行自动分类检测,支持茶园精细化管理与产量预测。通过深度学习方法识别不同生长阶段的茶梢,助力茶叶采摘决策与品质分级,为茶产业数字化转型提供技术支撑。
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)。
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。
Foggia 大学、Barid 大学研究团队开展 PRISMA 2020 流程的系统综述,从 18731 篇文献中筛选 56 篇一手研究(42 篇带定量结果),重点覆盖精准作物管理、精准畜牧、土壤水管理、自主农业系统四类操作域。综述指出:控制条件数据集上的高性能在外部、时序或跨地点验证时常常难以保持。以一项广为引用的基准为例,病害分类准确率在保留实验室图像上 >99%,但在同类的实地采集图像上仅 31.4%。综述建议下一个阶段的农业 AI 应以野外真实性、可复现性、部署成熟度与实际效用而非孤立基准分评判。
面向精准农业受限于多模遥测难以实时自治的认知瓶颈,提出 AgriAgent 分层多智能体(MAS)框架,将大语言模型从被动分析工具重塑为目标导向的协调器,采用包含感知、认知、执行三层的三层编排(TLO)拓扑。构建基于 APSIM 生物物理模型并经 GAN 扩展的高保真 10,000 状态合成库,引入黑天鹅环境胁迫。基准测试显示推理成功率 98.2%,决策时延降低 97%,将传统人在回路模式转为智能体驱动,为生物-数字自治农场提供蓝图。
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TinyMLOps管道,涵盖模型设计、优化、量化及跨多种边缘设备部署,在受控实验室条件下评估。基于PlantVillage基准推导的数据集,将39个细粒度类别聚合成3个超类(健康叶、不健康叶、无叶),系统执行植物健康状态分类和背景过滤功能,而不是诊断特定疾病。训练基于MobileNet的卷积神经网络,联合优化分类精度和计算效率;选择5个模型(Pareto前沿4个+最大HPO模型)转换为LiteRT和ONNX,在Raspberry Pi Zero 2 W和STM32H743ZI微控制器上以float32和后训练int8精度评估。在float32下,LiteRT比ONNX Runtime快1.87-2.65倍;int8 LiteRT模型比float32小2.83-3.67倍,快21.3-31.2%,F1-score损失仅0.0010-0.0068;在微控制器上,两个最小模型int8变体比float32快4.3倍,MCU闪存占用小3.85倍。
本文提出便携式高光谱成像结合可解释PLS-DA-SHAP方法,用于茯苓(Fushen,Poria cocos)的地理来源溯源与真实性鉴别。研究展示了如何将机器学习与SHAP可解释性相结合,应用于中药材产地溯源。原文标题:Portable hyperspectral imaging combined with interpretable PLS-DA-SHAP for geographical origin traceability and authenticity discrimination of Poria cocos (Schw.) Wolf (Fushen),作者:Xing W、Zhang Y、Wei X、Nie S、Cheng X、Cai M、Yang Q、Wang Y,发表于Frontiers in Sustainable Food Systems 2026年第10卷doi:10.3389/fsufs.2026.1891249,2026年7月15日接收,8月7日发表。本研究为基于光谱成像的农产品/中药材产地溯源提供了可解释AI方法范式。
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。
本研究系统考察数字乡村建设与夜间经济繁荣之间的影响机制,通过构建双向固定效应模型、门槛回归模型和空间杜宾模型。发现三点关键洞见:1)数字乡村设施建设通过降低市场交易成本和培育新型消费模式有效驱动夜间经济增长,这一效应在经济发达地区尤为突出;2)环境质量与城乡均衡发展对数字技术的赋能作用具有非线性调节效应,当空气污染浓度和城乡收入差距超过特定门槛时,边际促进作用显著减弱;3)数字乡村建设对本地夜间经济有显著正向影响,但对非本地夜间经济影响不显著。本研究为数字经济时代农村经济繁荣提供了新的理论视角,对平衡数字基础设施、实施差异化环境治理、优化城乡收入分配具有政策启示。
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。
本文系统综述了2015-2025年期间208篇垂直农业(VF)同行评审研究,探讨AI、ML与IoT如何重塑VF生态系统,聚焦计算机视觉病害识别、作物生长与产量预测、智能气候控制、精准营养与灌溉管理。综述涵盖CNN、随机森林、XGBoost、LSTM等算法在水培、气培、鱼菜共生系统中的性能,以及多传感器网络IoT架构、边-云计算与自动化控制系统。商业农场展示出资源效率提升与供应链缩短,但仍面临能耗(LED占40%-60%成本)、高初始投资、数据集分散、实地验证不足等挑战;许多>95%的高精度来自实验室条件。原文标题:Application of Artificial Intelligence and Machine Learning in Vertical Farming: A Comprehensive Review,作者:Kim M Y、Park G、Seo C H(韩国公州国立大学),发表在MDPI Sustainability 2026年第18卷第16期8261。
邢晓冰、肖哲涛、鹿超群(华北水利水电大学)发表于《农村经济与科技》2026年第5期。采用中国知网期刊文献为数据源,借助CiteSpace可视化工具,分析数字与乡村振兴、数智与乡村振兴期刊文献的研究主题、演进趋势及热点。研究表明,数字与乡村振兴研究热点聚焦数字经济、乡村治理、数字农业等,数智与乡村振兴研究则关注数智化、数智技术、数智赋能等;数字乡村布局涵盖产业、治理、文化、经济等多领域,数智与乡村振兴则处于技术融合探索阶段;两者均向乡村治理、农村金融、科技创新等演进,反映数字与数智融合趋势,以数字奠基、数智深化推动乡村数字化转型与智能化升级。
《智慧农业(中英文)》2026年第3期(8月)密集发布专题论文,聚焦'数字技术赋能与农业经济范式转型':包括黄季焜教授团队《涉农数智技术采纳现状与现实挑战》、杨军教授团队《数智技术赋能农业高质量发展:现状、挑战及路径探索》、智慧农业(中英文)8(3)数字技术驱动农业经济韧性提升多元路径(组态视角DQCA)、何磊磊杨军数智技术赋能农业高质量发展、顾雪微赵向豪智慧农业赋能农业绿色转型(技术革新视角)、朱孟帅等数字技术驱动农业经济韧性机理等。该期集中呈现学者基于农户面板、县域数据、组态视角揭示'数字技术-农业经济韧性'的多元路径,为政策制定提供理论支撑。
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。
《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。
基于陕西、贵州、四川三省10057名猕猴桃种植户的微观调查数据,西安建筑科技大学向雯与西北农林大学高建中等于Sustainability发表论文。以农户对低碳农业技术的初始与持续采纳为因变量,构建涵盖数字接入、数字获取、数字处理和数字共享4个维度的数字能力综合评价体系。比较Lasso回归、极端梯度提升、随机森林和反向传播神经网络等多种实证模型,结果显示随机森林模型表现最优。采用SHAP方法定量评估各变量边际贡献,研究发现农户数字能力显著正向促进低碳农业技术的初始与持续采纳,且具有明显的维度异质性:数字接入和获取能力是初始采纳的核心驱动因素,数字处理和共享能力对持续采纳起决定性作用。
