园艺作物

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。

MDPI Agriculture 2026, 16(17), 1888, 2026年8月31日发表,作者来自华南农业大学工程学院和农业装备技术国家重点实验室。研究提出MangoNET,基于YOLOv11n的芒果果实与果柄联合检测框架,适用于复杂果园环境。P2高分辨率检测头保留小目标的精细空间信息,SPPF-ELAN聚合局部和上下文特征用于部分可见对象,SENet在光照变化下重新校准通道响应,WIoU v3调节具有不同定位质量的边界框样本。数据集包含1782张台农和金煌芒果原始图像,仅对训练集应用数据增强,将训练集大小从1172张增加到2886张图像。MangoNET果实和果柄F1分数分别为0.920和0.916,mAP50和mAP50-95值为0.941和0.690。

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-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。

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。

华南农业大学工程学院Lu等提出多模型融合框架用于复杂果园环境下稳健芒果检测:以YOLOv8n、YOLOv8s和YOLOv8m为基检测器,应用多尺度测试时增强(TTA)获取不同增强视图的预测;基于交并比(IoU)将每个基检测器不同TTA视图对应同一目标的预测进行匹配;采用加权框融合(WBF)确定融合后的边界框坐标;对多个基检测器共同检测的候选目标使用Noisy-OR组合各模型置信度得分;应用高斯Soft-NMS降低密集场景下相邻芒果的错误抑制风险。在标准数据集上Recall和[email protected]分别达到95.52%和98.60%。

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。

提出高空多光谱卫星+低空RGB无人机两层协同葡萄园巡检方案,基于NDVI兴趣点识别引导低空病检任务;引入LEO卫星通信模拟,带宽受限下路由优化可减少任务时间约15%,为丘陵果园精准植保提供端到端解决方案。

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。

《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。

Rui Ye与Mingxiong Ou(江苏大学农业工程学院、江苏省农业装备与智能化高技术重点实验室)发表的智能果园机器人综述,聚焦在具有挑战性果园场景中运行的自主机器人系统需求,全面概述了环境感知与语义认知、自主导航与环境建模、智能任务执行、协同机器人系统等关键技术。系统讨论了水果与花蕾检测、枝干与冠层结构感知、多模态传感器融合定位、语义建图、机器人采收控制、变量喷施、精准授粉和行内自主除草管理等方面的最新进展。此外还综述了多机器人协调、机器人-无人机协同、大语言模型(LLM)和视觉-语言模型(VLM)等新兴技术。

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。

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)。

基于陕西、贵州、四川三省10057名猕猴桃种植户的微观调查数据,西安建筑科技大学向雯与西北农林大学高建中等于Sustainability发表论文。以农户对低碳农业技术的初始与持续采纳为因变量,构建涵盖数字接入、数字获取、数字处理和数字共享4个维度的数字能力综合评价体系。比较Lasso回归、极端梯度提升、随机森林和反向传播神经网络等多种实证模型,结果显示随机森林模型表现最优。采用SHAP方法定量评估各变量边际贡献,研究发现农户数字能力显著正向促进低碳农业技术的初始与持续采纳,且具有明显的维度异质性:数字接入和获取能力是初始采纳的核心驱动因素,数字处理和共享能力对持续采纳起决定性作用。

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。