浏览园艺作物相关政策、产业动态与研究。
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。
针对温室图像光照变化与遮挡难题,内蒙古农业大学团队构建黄瓜生长数据集 CGD 并提出轻量化骨干 FSA-GhostNet(参数2.07M,RTX 3060 上 13.96 ms/张);在 CGD 上生长阶段分类准确率 98.22%、播后天数回归 MAE 0.93 天、R² 0.9962,ImageNet-100 上准确率 78.98%,为温室智慧农业边缘部署提供算力-精度均衡方案。
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)。