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。
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。
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。
