LIGHTWEIGHT FEATURE FUSED ATTENTION DRIVEN MULTI LEVEL HYBRID MOBILENET V2 FRAMEWORK FOR EARLY TOMATO LEAF DISEASE DETECTION
提出轻量注意力多级混合MobileNet-V2框架，融合手工纹理与深度学习特征实现番茄叶片病害早期检
← 主题
#深度学习
A Comprehensive Review of Deep Learning and Computer Vision Techniques for Fruit Quality Assessment and Classification
系统综述深度学习与计算机视觉在水果品质评估与分级中的全流程方法。
Enhanced Convolutional Neural Network Architecture with Attention-Guided Feature Refinement for Robust Image Classification
提出注意力引导细化网络AGR-Net，在CIFAR-10上兼顾精度与参数效率。
A smart agriculture-oriented cross-attention multiscale CNN for sugarcane disease diagnosis
提出交叉注意力多尺度并行CNN，实现甘蔗叶病自动分类。
Proximal Remote Sensing of Oil Palm Basal Stem Rot Using Deep Learning Vision Algorithms and Ground-based Images
用手机拍摄油棕树干图像，结合深度学习检测与分类，实现基腐病严重度诊断。
Lightweight Hybrid CNN-Transformer Network for Robust Maize Leaf Disease Detection and Edge Deployment
构建轻量MobileNetV3-Small框架实现玉米叶片病害分类并评估边缘部署。
BGDNet: a boundary-guided deformable network for accurate farmland parcel segmentation in high-resolution remote sensing imagery
提出边界引导可变形网络BGDNet，实现高分辨率遥感耕地地块精准分割。
MSFANet: a multi-scale feature aggregation network for tobacco pest recognition
提出MSFANet多尺度特征聚合网络，实现复杂田间背景下烟草害虫的自动识别。
Detection of yam leaf diseases and pest damage under complex field conditions using LIMN-YOLO
提出轻量级LIMN-YOLO模型，在复杂田间条件下检测山药叶部病害与虫害。
Modeling runoff, sediment, and nutrient dynamics in the Ganjiang River Basin, China: A hierarchical SWAT-BiLSTM framework
提出SWAT-BiLSTM分层混合框架，高精度模拟赣江流域径流、泥沙与营养物动态。
INTERNATIONAL JOURNAL OF COMPUTER SCIENCE AND MATHEMATICAL THEORY E-ISSN·10月12日 · 周一75 分 论文农业AI与大模型农业人工智能与决策模型阅读 2
Deep Learning Approaches for Plant Disease Detection: A Review of Convolutional Neural Networks and Emerging Techniques
综述深度学习在植物病害检测中的应用，涵盖CNN、混合Transformer、注意力机制与生成式数据增
An Interpretable Deep Learning Framework for Spatial Prediction of Soil Salinity Using Multi-Source Remote Sensing and Environmental Data: A Case Study of Cangzhou, Hebei Province, China
构建融合多源遥感与环境变量的可解释深度学习框架，预测沧州土壤盐分空间分布。
Explainable deep learning framework for real-time insect pest detection in smart agriculture
提出可解释深度学习框架CPSA-RIPD-CSTGCN，实现智慧农业中害虫实时检测。
An empirical performance comparison of deep learning models for apple leaf disease recognition
用UNet++分割苹果病叶并融合多种CNN与ViT分类，实现98.85%识别准确率。
Hybrid CNN-LSTM Techniques for Plant Leaf Disease Detection and Farmer-Based Agricultural Practice Analysis in Western Tamil Nadu
结合CNN-LSTM混合模型检测植物叶片病害，并调查印度泰米尔纳德邦农户的农业实践与技术采纳情况。
A hybrid DeepGR4J and regionalization framework for lake water balance assessment in data-scarce regions: Application to Lake Tana, Ethiopia
提出DeepGR4J与区域化混合框架，评估数据稀缺的埃塞俄比亚塔纳湖水量平衡。
FUSING DEEP LEARNING AND REMOTE SENSING DATA TO ESTIMATE NON-OPTICALLY ACTIVE WATER QUALITY VARIABLES
融合深度学习与遥感及实地数据，估算湖泊非光学活性水质变量（溶解氧和pH）。
Zenodo (CERN European Organization for Nuclear Research)·10月4日 · 周日67 分 论文果树数字乡村与农业信息化2 个信源同时报道 阅读 1
Detection of Apple Plant Diseases Using Leaf Images through Convolutional Neural Network
提出ResNet+GA+CNN混合模型，用苹果叶片图像检测病害并计算病斑面积占比。
A Feature Engineering Framework for High-Precision Land Use and Land Cover Classification Using Remote Sensing Images
提出EODFE-HPLULC框架，结合YOLOv12、EfficientNet-B5和深度信念网络实
CrossCD-Eval: a unified framework with domain-aware feature normalization for cross-domain remote sensing change detection
提出统一框架CrossCD-Eval评估跨域遥感变化检测，并设计DAFN模块提升跨域泛化。
Temporal forecasting of PM$$_{2.5}$$, PM$$_{10}$$, NO$$_2$$ using deep learning models on Noida Sector 125 and Noida Sector 62
用CNN、RNN、LSTM、GRU、BiLSTM及混合BiLSTM-GRU对诺伊达两站点PM2.5、
Pixel-level high-throughput estimation of crop photosynthetic phenotyping parameters using a multi-task deep learning framework
提出像素级多任务深度学习框架，从高光谱数据高通量估算作物光合表型参数。
From pixels to runoff: integrating high-resolution remote sensing and deep learning for hydrologically meaningful urban land-use classification
比较高分辨率遥感分类精度与水文模拟效果，发现像素精度不足以判断土地利用图的水文适用性。
Deep learning-based monitoring and spatiotemporal analysis of wildlife and human activities using camera trap imagery
用YOLO模型从红外相机图像中检测野生动物与人类，并分析其时空共现格局。
Debris Flow Susceptibility Mapping Using Explainable Deep Learning in Eastern Hindukush Pakistan
用CNN结合SHAP绘制巴基斯坦东兴都库什泥石流易发性图并解释关键因子。
Fine-Tuned Hybrid Deep Learning Framework for Plant Disease Classification Using MobileNetV2 and EfficientNetB0 Feature Fusion
融合MobileNetV2与EfficientNetB0特征并微调，实现植物病害高精度分类。
IIARD INTERNATIONAL JOURNAL OF GEOGRAPHY AND ENVIRONMENTAL MANAGEMENT·9月25日 · 周五63 分 论文遥感与农情监测智慧农业 / 农业物联网阅读 8
Multi-Target Remote Sensing Segmentation with Cross-Scale Attention for Urban-Ecological Intelligence
评估UNet、SegNet和TransU-Net在多目标遥感语义分割中的性能，用于城市与生态监测。
Long-term dynamic root monitoring based on classification fusion and attention mechanism
Long-term dynamic root monitoring based on classification fusion and attention mechanism。Biosystems Engineering
Enhanced YOLOv8-seg-SPDConv for accurate Schatzker classification of tibial plateau fractures
提出轻量YOLOv8n-seg-SPDConv模型，用CT图像实现胫骨平台骨折Schatzker分型
Artificial Intelligence-Enabled Mangrove Ecosystem Monitoring Using Remote Sensing and Environmental Data
融合遥感影像与环境数据，用深度学习构建红树林生态系统健康监测框架。
Cotton leaf disease classification using deep learning models for smart agriculture
Cotton leaf disease classification using deep learning models for smart agriculture。Agriculture & Food Security
Downscaling of SMAP Soil Moisture Based on the Transformer Algorithm in Anhui Province
基于Transformer及变体融合多源卫星与地下水数据，将SMAP土壤湿度降尺度至1km日尺度。
Leakage-aware, calibrated, and explainable deep learning for robust almond disease classification
提出防泄漏、校准且可解释的深度学习框架，用于稳健的杏仁病害分类。
Identification of granitic pegmatites based on GF-5 hyperspectral data and LSTM-Transformer model
提出数据增强驱动的LSTM-Transformer框架，用GF-5高光谱数据识别花岗伟晶岩。
Explainable growth stage classification of cacao (Theobroma cacao L.) leaves and key feature visualization using vision transformer and transfer learning
用ViT和迁移学习对可可叶D、E期进行可解释分类，准确率达97%。
Forecasting Urbanization Dynamics On İstanbul’s European Side Using Deep Learning And Extrapolation Techniques
用Landsat 8影像和U-Net深度学习模型分析伊斯坦布尔欧洲侧2013-2024年城市化动态并
A comprehensive review of deep learning methods for weed classification in precision agriculture
综述2018-2025年深度学习杂草分类方法，分析技术瓶颈并给出改进建议。
Deep learning-driven multisource remote sensing image fusion: Advances, challenges, and future directions
综述深度学习多源遥感图像融合方法、挑战与未来方向。
A Hybrid CNN–Transformer–LSTM Deep Learning Framework for Automated Cotton Disease Detection
提出CNN-Transformer-LSTM混合框架，实现棉花叶片病害自动识别。
Zenodo (CERN European Organization for Nuclear Research)·9月18日 · 周五65 分 论文农业AI与大模型智慧农业 / 农业物联网2 个信源同时报道 阅读 3
A CNN-Based Approach for Leaf Disease Prediction in Smart Agriculture
用CNN对植物叶片病害进行自动识别，在基准数据集上取得92%准确率。
Precision Diagnosis of Apple Leaf Diseases Across Infection Stages via Web-Based Analysis
提出基于YOLOv8-MHSA与SAM的网页系统，实现苹果叶片病害多感染阶段实时检测与分级。
High-resolution land cover mapping from coarse labels via a noisy label learning-guided cross-scale framework
提出噪声标签学习引导的跨尺度框架，用低分辨率粗标签生成高分辨率土地覆盖图。
基于深度学习数据增强技术的肉牛行为识别 与养殖状态评估研究
比较四种骨干网络并做数据增强消融，实现9类肉牛行为识别与养殖状态评估。
Mapping coastal forest retreat using convolutional neural networks and different satellite imagery
用CNN结合多源遥感指数监测1985-2021年北卡海岸森林退化与幽灵林扩张。
An interpretable deep embedding framework for data-driven discovery of crop families
An interpretable deep embedding framework for data-driven discovery of crop families。Smart Agricultural Technology
LeafTrackNet: A deep learning framework for robust leaf tracking in top-down plant phenotyping
提出LeafTrackNet深度学习框架，实现俯视植物表型中稳健的叶片追踪。
International Journal of Computer Science and Artificial Intelligence·9月14日 · 周一0 分 论文农业AI与大模型农业人工智能与决策模型阅读 3
Artificial Intelligence, Machine Learning, and Deep Learning Concepts, Methods, and Real-World Impact
系统综述AI、机器学习与深度学习的概念、方法、应用及伦理挑战。
DASO-RiceNet: 细粒度水稻病害与损伤分类的双注意力序列优化网络(准确率 96.5%)
提出双注意力序列优化网络DASO-RiceNet，实现10类水稻病害与损伤的高精度分类。
Deep Learning-Based Weed Classification, Detection, and Segmentation in Precision Agriculture: a Bibliometric and Comprehensive Review
对精准农业中深度学习杂草分类、检测与分割研究进行文献计量与综述分析。
International Journal of Advanced Research in Science Communication and Technology·9月11日 · 周五0 分 论文农业遥感与作物表型阅读 2
A Hybrid Deep Learning Architecture for Image Classification Across Diverse Visual Recognition Applications
提出GRU+BiLSTM混合深度学习架构，在Caltech-256上实现高精度图像分类。
EfficientNet-CBAM-prototype: an attention-guided EfficientNet framework with dynamic prototype representation for tomato disease classification
提出ECP-Net，用注意力与动态原型提升番茄病害分类精度与可解释性。
Next-Generation Deep Learning: A Comprehensive Survey on Explainable, Efficient, Privacy-Preserving and Multimodal Artificial Intelligence
综述可解释、高效、隐私保护、绿色与多模态五大深度学习方向，提出能力导向分类框架。
Leakage-Proof Reliability-Aware Deep Learning Framework for Rice Leaf Disease Diagnosis
提出防泄漏、可靠性导向的水稻叶病诊断深度学习框架，并系统评估其泛化与部署表现。
Advances in Recognition Methods for Fruit and Vegetable Harvesting（MDPI Agriculture 2026, 16(17), 1924）
综述果蔬采摘目标识别方法，分析数字图像、机器学习与深度学习技术，指出挑战与未来方向。
Land Cover Classification using Hyperspectral Imagery: A Deep Learning Approach
利用高光谱影像和深度学习模型对印度两地区进行土地覆盖分类，比较CNN、ResNet-18和VGG-1
RAVA: a robust recurrent active vision agent for plant disease diagnosis under severe environmental noise
提出RAVA，一种循环主动视觉智能体，通过主动观察应对环境噪声，提升植物病害诊断鲁棒性。
EOL-DQN: An intelligent cutting decision of potato seed tubers based on improved deep reinforcement learning
提出EOL-DQN改进深度强化学习模型，用于马铃薯种薯切块智能决策。
Deep convolutional neural network-based automated identification and classification of mungbean foliar diseases
评估五种深度卷积神经网络在自然田间条件下对绿豆叶部病害的识别性能。
MRC-Net: a reliable plant disease classification framework with multi-frequency state-space enhancement and conformal prediction
提出可靠植物病害分类框架，结合多频状态空间增强与保形预测，提升复杂场景识别精度与可靠性。
FlowDelayNet: self-supervised siamese learning for automated flow-delay estimation in yield monitor data
提出自监督深度学习框架FlowDelayNet，自动估计产量监测数据中的流动延迟。
Zenodo (CERN European Organization for Nuclear Research)·9月2日 · 周三67 分 论文农业AI与大模型农业遥感与作物表型2 个信源同时报道 阅读 3
Deep Learning Based Semantic Segmentation of Satellite Imagery for Land Cover Classification
综述深度学习用于卫星影像土地覆盖分类的语义分割方法，并分析挑战与未来方向。
Automated extraction of facial surface temperature from thermal images of calves using deep learning-based instance segmentation: Technical validation and associations with rectal temperature
Automated extraction of facial surface temperature from thermal images of calves using deep learning-based instance segmentation: Technical validation and associations with rectal temperature。Smart Agricultural Technology
SFNL-Former: A Novel Spatial-Frequency Non-local Network for Precipitation Forecast
提出SFNL-Former网络，通过空间-频率分离和长程建模提升降水预报精度。
Diag-STFN：用于全球收获前作物产量预测的诊断时空多模态融合网络
提出Diag-STFN网络，用于全球收获前玉米和小麦产量预测，在CY-Bench基准上取得最优性能。
Object Detection in Computer Vision: A Comprehensive Review of Algorithms, Datasets, and Evaluation Techniques
系统综述目标检测三十年发展，从传统方法到深度学习、Transformer及大语言模型，并分析数据集与
Microscopic detection of topsoil aggregate size based on LMTPI auto-DL framework in field environment
提出LMTPI自动深度学习框架，用于田间表土团聚体粒径的微观检测，提高效率和精度。
Lightweight real-time detection of sweet potato virus disease by a hybrid CNN–Transformer network
提出Swin-SPVDNet混合CNN-Transformer网络，实现甘薯病毒病轻量级实时检测。
A Comprehensive Review of Deep Learning in Agricultural Visual Perception: Progress, Bottlenecks, and Emerging Trends (深度学习在农业视觉感知中的综合综述:进展、瓶颈与新兴趋势)
MDPI Agriculture 2026, 16(17), 1826, 2026年8月26日发表。江苏大学低空技术学院与电气信息工程学院联合综述,提出从低级数据增强和静态空间认知再到高级动态时空推理的渐进分析框架。气候变化、土地退化和资源稀缺驱动精准农业成为确保全球粮食安全的战略必然。传统人工检查主观且不可扩展;计算机视觉为精准作物和牲畜管理提供非侵入式解决方案,但在农业实际场景中的应用面临严重遮挡、光照剧变和生物目标非刚性形变等特定挑战。深度学习已成为克服这些限制的主流范式,CNN、Vision Transformers (ViTs)和Graph Neural Networks (GNNs)等架构学习海量数据中的自适应层次表示。识别四个优先研究方向:架构效率、数据级标注效率、部署级隐私和仿真、信任级安全。
基于静态RGB图像的玉米种子活力早期筛选:一种采用Focal Loss和自动超参数调优的深度学习方法(原标题:Early-stage screening of maize seed vigor from static RGB images: A deep learning approach with Focal Loss and automated hyperparameter tuning)
种子活力是种子质量与发芽潜力的关键指标,传统活力检测方法如四唑染色具有破坏性且需3-7天高强度人工操作,成为大规模播前筛选的关键瓶颈。本研究提出SeedFocusNet,集成浅层特征提取模块与基于Focal Loss的分类骨干网络,旨在增强对难以区分的高活力种子的识别。超参数通过Optuna框架结合贝叶斯优化在验证集上自动优化,ResNet50被选为最优架构。在测试集上对高活力种子识别的精确率达到74.39%,召回率达到54.46%。温室出苗实验进一步验证了SeedFocusNet筛选出的种子在同一品种内不同储藏时长下均表现出更高的出苗率。
基于多尺度融合与动态特征交互的仓储环境马铃薯缺陷检测(MDS-DETR)
海南大学联合山东理工大学针对仓储马铃薯堆叠遮挡、缺陷形态差异大问题,构建黑斑、发芽、干腐等多类缺陷数据集,设计 MCF 上下文特征整合模块与 AIFI-DyMona 实例特征交互结构并引入 Shape-IoU 回归;MDS-DETR 以 14.2M 参数、42.9G FLOPs 取得 [email protected] 96.3%,集成于智能分拣机器人后真实仓储分拣准确率稳定超过 95%。
Quantifying Visual Symptom Severity in Plants Using Deep Learning(MDPI Remote Sens. 2026-08-17)
利用深度学习量化植物视觉症状严重程度。提出基于二元分类器训练(仅使用无症状和严重症状图像)的症状严重程度量化方法。利用具有相似症状严重程度的图像组的分类准确率和类概率估计视觉症状严重程度。标签平滑可缓解中等症状的双峰类概率分布,提高方法对单个图像的适用性。与基于特征空间距离的方法不同,本方法无需额外特征提取或距离计算。该研究为远程感知领域提供了一种简单视觉性状量化方法,可降低标注成本。
Computer Vision from Tea Cultivation to Quality Evaluation(MDPI Foods 2026-08-17)
茶叶栽培到品质评估的计算机视觉综述。全面比较视觉技术(RGB、高光谱、近红外、热成像、LiDAR、UAV)并建立任务导向的算法选择框架。小样本或近线性问题传统机器学习(SVM、PLSR)依然有效;非结构化田间任务深度学习表现优越:害虫检测准确率超97%,茶芽RGB图像检测96.8%,高光谱预测氮含量R²>0.90、茶多酚R²高达0.925。算法选择需进一步按任务粒度区分:轻量级CNN平衡边缘部署速度与精度(16fps);YOLO系列检测器在移动平台实现实时定位(93.1%准确率、24ms/目标)。
SAR2Agri:基于纯 SAR 强度图像的自监督学习管道,作物类型制图 IoU 达 84.9%
arXiv 8-11 上线论文提出首个仅使用 SAR 强度图像的农业应用自监督学习管道(SAR2Agri),作者:Moti Rattan Gupta、Anupam Sobti。通过改进的掩码+课程学习时间前置任务,从 SAR 数据中捕获物候特征。在 SICKLE 基准上,最终模型在作物类型制图上达到 84.9% IoU,优于光学基线 15.3 个百分点、优于现有 SAR 基线 2.2 个百分点,展示了 SAR 强度编码器对农业监测预训练的有效性。[预印本]
AI Spots Apple Leaf Disease Before It Spreads: ALSDet Deep Learning Model for Apple Leaf Disease Detection
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)。
Advances in Binocular Stereo Vision-Driven 3D Perception and Intelligent Analysis Methods for Agriculture
本文系统综述双目立体视觉在农业应用中的最新进展,涵盖系统架构、传统与基于深度学习的立体匹配方法、点云重建技术及新兴的3D高斯溅射等监督策略。综述总结了关键应用,包括高通量表型分析、果实定位与机器人采摘、杂草检测与精准喷施、自主导航以及畜禽体况评估,突出其在多任务农业感知系统中的作用。论文还讨论了低纹理匹配困难、复杂环境中的遮挡、跨域泛化、实时轻量化部署及有限数据集可用性等主要挑战,并展望基于基础模型的视觉感知、自监督与弱监督学习、多模态融合及边缘高效模型设计的未来方向。原文标题:Advances in Binocular Stereo Vision-Driven 3D Perception and Intelligent Analysis Methods for Agriculture,作者:江苏大学Ye R、Wang J、Kong Z、Ou M,发表于MDPI Applied Sciences 2026年第16卷第16期7957。
A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa
本文对YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN、RT-DETR六种目标检测模型在尼日利亚农场实地采集的真实世界数据集AgriAISeg 1(3382张芝麻、卷心菜、番茄图像)上进行比较,涵盖不同光照、遮挡和视角条件。结果显示RT-DETR整体表现最优,精度0.768、[email protected]:0.95达0.624;YOLOv8和YOLO11表现稳定强劲;Faster R-CNN精度显著较低,[email protected]仅0.466,YOLO系模型训练效率优于Faster R-CNN。研究表明,现代单阶段和基于Transformer的检测器在真实世界农业环境中提供更可靠、高效的植物检测解决方案。原文标题:A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa,作者:Ismail Ismail Tijjani等8人,arXiv:2608.11053,2026年8月11日提交。
Adaptive Generalized Regressive Deep Convolutional Reinforcement Learning for Crop Yield Prediction in Smart Precision Farming
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。
深度学习支持下地块尺度农田宜机化遥感评价方法
《农业工程学报》2026年第42卷第9期刊载华中师范大学等单位杨子恒、胡琼、吴尚岐、徐保东、蔡志文论文。DOI: 10.11975/j.issn.1002-6819.202510247。研究基于多源中、高分辨率遥感数据和深度学习语义分割算法,自动提取农田地块与道路等基础设施的空间分布信息,结合数字高程模型与水旱分布数据,从地块形状、规模、平整度以及道路通达度4个维度建立综合评价体系,以当阳市为研究区域。结果:语义分割模型农田地块与道路面积准确度分别达到0.92和0.79,边界匹配度0.85和0.86;研究区宜机化良好农田面积占比达67.3%,丘陵山区乡镇普遍面临道路通达度不足与地块平整度较差问题。
PlantPTM:植物多类型翻译后修饰深度学习预测模型——9类PTM平均AUROC达0.864
河南农业大学豆根生、王开元、秦兆辉为共同第一作者,豆根生、李俊周、陈震为共同通讯作者,在Molecular Plant发表PlantPTM——首个覆盖水稻、小麦、玉米等多种植物、支持多类翻译后修饰(PTM)的植物专有深度学习预测工具。在独立测试集上,PlantPTM在9种PTM类型的平均AUROC达0.8640,其中N-糖基化位点预测AUROC最高达0.9699。与25种现有预测工具对比,在所有PTM类型上均显著优于已有方法,AUROC提升2.90%-19.08%,平均提升15.46%。留一物种交叉验证显示,即使完全排除拟南芥或水稻等数据丰富物种参与训练,模型在未见物种上的AUROC仍稳定在0.8以上。
PestRefineDet: integrating DenseNet with RefineDet for precision pest detection in agriculture
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。
Design and Evaluation of an AI-Enabled Cloud-Edge Architecture for Connected Precision Agriculture Farms
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。
Addressing representation instability, strategy rigidity, and class imbalance in active learning for agricultural pest and disease recognition(解决农业病虫害识别主动学习中表征不稳定、策略僵化和类别不平衡问题)
为降低农业病虫害识别深度学习部署的专家标注成本,文章提出三层主动学习框架:动态原型记忆通过动量指数滑动平均保持稳定类别表征;上下文感知样本选择采用神经上下文老虎机动态调整分支组合比例;类别平衡评分通过逆频加权在选择阶段直接优先关注少数类。在IP06(害虫)和Natural CW-10(杂草)数据集上,框架在90%数据可用率下分别取得83.36%和85.07%的准确率,在20%低数据可用率下较最强基线分别领先4.12和2.68个百分点。结合GAN增强数据后,IP06上准确率提升至84.91%,Natural CW-10上提升至86.42%,证明主动学习与生成式AI在智能农业中的互补价值。
农业非结构化环境下端到端自动驾驶技术研究综述——大田、果园林地、特殊作物与多机协同全路径分析
华中农业大学张纾、武汉邮电科学研究院王立强、长江工程职业技术学院王猛系统综述端到端自动驾驶技术在农业非结构化环境下的理论适应性与应用场景。深入分析农业环境的动态变异性、导航参考缺失及作业任务精度要求高特征与挑战；解析精准导航、三维空间作业路径规划、复杂环境适应与群体智能协调等方面的实现路径与技术优势；并前瞻性地展望该技术与多模态大模型、农艺知识图谱的深度融合趋势。
A deep learning perception framework for farm digital twins: weed species classification, semantic segmentation, and gradient-based visual interpretability
Anusree Manoj, Aiswarya S. Kumar, S. Remya, Somula Ramasubbareddy, Yong Yun Cho提出一种面向农业数字孪生系统的深度学习感知框架,涵盖杂草物种分类、语义分割和基于梯度的视觉可解释性分析。