园艺作物

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。

中国农业科学院农业资源与农业区划研究所智慧农业团队在光谱数据建模的可解释方法研究上取得重要进展。该研究以中国六个区域的猕猴桃为对象，结合高光谱技术和集成学习方法构建猕猴桃产地溯源模型，并利用可解释性人工智能方法对最优的溯源集成模型进行分层和整体解释，在提高产地溯源准确率的同时，深入理解光谱数据背后预测农产品产地的逻辑。博士生李佳利为第一作者，钱建平研究员和吴文斌研究员担任共同通讯作者。论文链接：https://doi.org/10.1016/j.aiia.2026.05.010

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。

Li Tian, Xingjia Pan提出一种面向复杂丘陵果园环境的农业机器人全局-局部一体化路径规划策略,有效解决农业机器人在复杂三维地形下的导航与障碍物避让问题。

北京市智慧农业创新团队柴秀娟研究员团队提出基于VR的专家经验捕获与行为建模框架，融合高保真虚拟环境与人类作业动作知识，显著提升机器人在复杂农业场景中的自主决策能力，相关成果入选 IJCAI 2026 国际人工智能联合会议并将在德国会议期间进行现场展示，也是中国智慧农业团队在国际 AI 顶会上的重要亮相。技术上，机器人先用RGB-D相机高精度扫描真实温室，在Unity引擎中利用视觉感知与3D建模算法重建番茄空间分布及果实成熟度信息；专家知识虚拟化方面，多位专家穿戴27节点高精度动捕设备+VR头盔在高保真虚拟温室中执行多种难度采摘任务；机器人行为智能化方面，用高质量专家数据训练多任务强化学习模型，再通过逆运动学算法将人类动作映射到机械臂运动空间。综合评估显示该"专家数据驱动"方法在收获效率、避障能力、任务成功率、运行稳定性等核心指标显著优于现有主流方法，特别在遮挡严重、果穗密集场景下表现出接近人类专家的适应性与低损伤率（注：目前以番茄采摘为验证场景）。

基于辽宁省1208户葡萄种植户微观调查数据，应用PAM聚类无监督机器学习方法将农户按数字能力分为高、中、低三组，考察农业生产驱动力的结构转型。结果显示：农户数字能力存在显著异质性；物质投入仍是基础，但其相对重要性随数字能力提高而下降，劳动投入在各组中对产出均无显著贡献；新要素特别是智能装备仅在数字能力高的农户群体中产生显著的生产率提升。表明农业技术升级的有效性取决于与数字人力资本的匹配，政策应从统一技术供给转向加强农户数字能力建设。