设施园艺与植物工厂

综述农业信息物理系统中感知驱动多机器人协同与非结构化环境物流的研究进展。

构建基于ESP32和I2C多路复用的低成本植物工厂微气候监测网络，实现多点温湿度同步测量。

提出ERG-Mask模型，用于温室鲜食葡萄串的实例分割，提升边缘与区域协同精度。

原文标题:AI-Enabled IoT-Based Hydroponic Farming with Embedded Automation and Nutrient Prediction。作者:Jehangir Arshad、Fawad Azeem、Ayesha Butt、Maha Chaudhary、Rana Saad Safdar、M. Kamran Joyo、Izanoordina Ahmad、Prajoona Valsalan、Husham M. Ahmed(COMSATS University Islamabad等)。DOI: 10.3390/fi18090446。论文构建一个由Raspberry Pi控制、完全监测并持续评估的水培农业模拟器,采用多种传感器、数据管理与处理以及自动化环境调节。该智能水培系统采用双模型机器学习流水线:一个通过图像分析识别植物病害,另一个基于传感器数据评估植物营养水平。两个模型的数据通过云端数字孪生(DT)合并,实现远程访问并提供闭环控制,用于水培环境中的灌溉、营养剂量和所有环境因子管理。该研究展示了将物联网传感、机器学习和数字孪生模拟组合成可运行超物理系统来开发可扩展、数据驱动的精准农业解决方案的能力。

精准农业视觉流水线下游任务(形态特征提取、生长监测、数字孪生同步)直接依赖检测框的几何质量,因此精确定位(而非单纯正确分类)成为关键性能因素。本研究提出方向对齐惩罚(DAP)作为辅助定位正则化项,在不修改检测器架构的情况下将独立加权的归一化中心位移项引入边界框回归目标。DAP-YOLOv8使[email protected]:0.95从51.69%提升至53.76%、[email protected]从80.03%提升至80.36%,在真实世界智能温室采集的牡蛎蘑菇数据集上重复种子实验进一步表明细粒度定位的提升在不同随机初始化下一致。

《农业工程学报》2026年第42卷第9期刊载北京市农林科学院等单位孙维拓、郭文忠、周宝昌、魏晓明论文。大型连栋温室应用传统负压湿帘风机降温存在气温分布均匀性差、破坏生产空间整体性等问题,现有采用空气处理走廊的正压通风系统集成度低、管控难度大。研究设计装备化正压通风降温系统,在山东寿光连栋玻璃温室试验测试。结果表明:夏季高温时段(10:00-16:00)配合遮阳网可将连栋温室内日平均气温控制在28.4-32.5℃,比室外低0.8-3.8℃;水平方向气温标准差仅0.4℃,降温均匀性显著优于传统方案。

Zuhui Zhou、Yile Chen、Wenshuo Gao、Xinpeng Wang、Xuan Liang、Xifeng Liang(中国计量大学机电工程学院、中国农业科学院研究生院)发表的温室采收机器人综述,以作物高度为主要分层标准,涵盖地面层(≤0.5m,如草莓、生菜)、中层(0.5—1.5m,如番茄、辣椒、黄瓜)和高层(>1.5m,如架式黄瓜)。针对各高度层,分析关键设计特征、技术进展、原型性能及常见障碍——果实遮挡、机械作物损伤、操作不可靠、商业成本高。未来方向应聚焦智能感知、柔性末端执行器和高度特定解决方案(地面作物群体机器人、中层模块化混合设计、高层基础设施协同设计)。

谢俊华、王森、杨其长(中国农业科学院都市农业研究所)针对植物工厂长期受高资本投入、高电力依赖和市场价值实现不足约束的问题,以公开数据较充分的植物工厂生菜原型为研究对象,构建作物、控制、能源及市场耦合的经济脆弱性诊断框架,并在国内情景下设置27个确定性情景。研究表明,27个情景中仅有5个实现正利润(占比18.5%);常规电网型与高值直供市场基准比较情景下,控制成熟度由基础控制提升至闭环智能后利润由-258.36增至518.04元/(m2·年),跨越盈亏平衡点,改善幅度是原亏损额的3倍左右。

中国农业大学黄晨晓、何林然、黄文涛、张晓绚等于Sensors发表TMAF-YOLO模型——基于YOLOv8n的轻量化番茄成熟度与缺陷果实检测模型,隶属中国农业大学120周年校庆专刊。该模型以LGhostConv替换选定卷积结构减少冗余计算;引入番茄成熟度感知聚合融合模块TMAF增强检测分支的颜色、纹理和局部结构特征表示能力;使用MA-CB Focal Loss改善类别不平衡和难样本条件下的学习。实验结果显示,Precision、Recall、mAP50和mAP50-95分别达到0.889、0.873、0.954和0.776,模型仅含2.647M参数,推理速度209.030 FPS,优于YOLOv11n和YOLOv12n,同时保持实时推理性能。

2026年8月2日arXiv上线cs.CV预印本ST-LoRA,提出面向农业不确定性感知语义分割的LoRA高效集成框架。研究针对数字农业决策支持对预测精度与不确定性校准的双重需求,以及集成方法计算与内存开销大的瓶颈,提出在单训练轨迹下构建多样化集成成员:每个成员共享冻结预训练骨干网络,仅通过轻量级低秩适配器(LoRA)差异,训练参数控制在全模型的10%以内,保持集成多样性。实验采用两套农业数据集:GrowliFlower-L(花椰菜,露天)和BUP20(甜椒,温室),覆盖分布内性能、分布偏移下的校准以及分布外检测。研究发现,前馈层而非注意力层是密集预测场景下LoRA的关键靶点(颠覆语言模型仅关注注意力的惯例),ST-LoRA在分割精度与校准上匹配或超越全秩集成,且显著降低训练时间、推理延迟、内存占用与存储需求;优于快照集成、MC Dropout与深度确定性不确定性等高效基线。