浏览数字农业与前沿技术相关政策、产业动态与研究。
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。
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。
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。
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。
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。
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。