蔬菜

探讨达累斯萨拉姆城市农业现状与未来，提出五条基于证据的发展路径。

地中海条件下可降解地膜提高加工番茄产量、品质和水分生产率。

研究西非本土果蔬农户盈利能力的空间异质性，发现社会经济因素影响随地点变化。

结合DINOv3与YOLO26提升蔬菜田间作物与杂草检测精度，助力精准除草。

Jutarut Chaoraingern、Akarat Pattaraanuvong、Kantapon Paraksa、Kantiporn Khunthong、Tirawat Nontiwantok、Arjin Numsomran(泰国国王科技大学)发表论文。本研究提出一个集成平台,围绕代理AI咨询管道构建,完全在商用硬件上本地运行。管道通过基于条件的路由、意图分类、多步推理和LLM验证门,将基于RAG的Mistral 7B语言模型与LLaVA 7B视觉语言模型耦合,从对话界面提供上下文感知的文本和图像症状级指导。在Cos生菜测试中,该咨询管道在50个查询中达到82.00%加权准确率,涵盖健康、症状、浇水、害虫、根系健康和生长阶段类别。

原文标题:Application of Precision Agriculture and IoT-Based Smart Irrigation in Greenhouse Vegetable Production。作者:Zeeshan Ahmed、Muhammad Taimur Maqbool Muhammad、Abbas Khan Muhammad、Zain Ul Abideen、Abdul Haq。DOI: 10.63163/jpehss.v4i1.1226。该综述综合分析了精准农业(PA)和基于物联网(IoT)的智能灌溉在温室蔬菜生产中的集成,涉及土壤湿度、EC、pH、微气候监测器等物联网传感器与数据分析(AI/ML模型)及自动执行器在番茄、黄瓜、辣椒等作物实时资源管理中的整合。关键组件包括使用ZigBee/LoRa协议的无线传感器网络、低延迟边缘/雾计算和预测算法(如LSTM、SVM),可减少20-50%用水量,同时提高10-30%产量和养分效率。来自中国、欧洲和印度的案例展示了变量灌溉(VRI)和施肥系统的实际应用,实现高达40%的能源节约和最小化淋失。

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。

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)。

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。

赵丽成、卢鑫羽、吴茜、任妮、周玲莉、程雅雯、胡安琦、戚超(江苏省农业科学院农业信息研究所/淮阴工学院)提出基于改进YOLOv10的轻量级串番茄成熟度目标检测模型LampCT-YOLO:在主干网络引入SegNeXt注意力机制,基于梯度的全局通道重要性方法LAMP通道剪枝显著压缩模型体积和计算复杂度。LampCT-YOLO对红熟早/中/晚期mAP分别达84.6%/89.5%/88.4%,应用LAMP通道剪枝后参数量和计算量分别减少63.07%和50.06%,推理速度提升23.1%;部署至自主研发的果蔬巡检机器人在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s推理速度。

刘浩然、王宇、赵学观、吴华瑞、付豪、庞树杰、翟长远(北京市农林科学院智能装备技术研究中心/国家农业智能装备工程技术研究中心)针对枝叶遮挡下田间胡萝卜苗精准识别难题,提出基于改进YOLOv11s的轻量化检测方法CD-YOLO:将主干网络部分标准卷积替换为深度可分离卷积降低模型复杂度,在C3k2模块引入高效多尺度注意力机制EMA构建C3k2_EMA模块增强关键特征动态感知,采用动态检测头强化多尺度特征融合与感知,显著提升检测鲁棒性。