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)。
Multi-Agent Vision-Language Debate Framework for Zero-Shot Crop Disease Diagnosis (VIDA+PANDA)
本文提出VIDA+PANDA多智能体视觉语言框架用于零样本作物病害诊断,包含两个阶段:VIDA多VLM智能体独立分析作物叶片图像建立基线性能;同行锚定命名审议架构(PANDA)在选定的智能体群体中引入结构化多轮辩论,智能体交换推理、批评同行预测、通过基于证据的讨论修订决策,反谄媚机制阻止无支持的共识转变。在CDDM基准上使用来自四个独立提供商的七个异构VLM,在完全零样本设置下,非参与方GPT-5作为独立评判者评估。框架引入三个语义度量:语义标签相似度(SLS)、推理特异性(RS)、智能体间推理收敛度(IRC)。实验结果表明协作多智能体审议提高了个体诊断性能和语义对齐,较弱智能体增益最大。原文框架发表于Frontiers in Plant Science。
Soil Organic Carbon Estimation Using Dual-Interval Synergistic Selection and Overlap-Constrained Ridge Regression
本研究开发了一种协同区间约束Ridge回归框架sicRidge,用于土壤有机碳(SOC)预测。SOC是土壤质量、农田生产力和陆地碳循环的关键指标,可见-近红外(Vis-NIR)光谱提供快速预测方法,但波长点选择可能破坏连续光谱结构,传统波长区间选择可能无法充分利用光谱区域间的互补信息。使用滑动窗口策略生成连续候选区间,采用双区间协同搜索与重叠约束识别互补且低冗余的区间组合。使用168个土壤样本的Vis-NIR光谱,sicRidge与全光谱Ridge回归、5种波长点选择Ridge模型及多种波长区间选择基准模型比较,sicRidge在140个选定波段下实现最佳预测性能(R2P=0.834,RMSEP=2.010 g/kg,RPD=2.483,RPIQ=3.777),最优区间为570~649 nm和1880~1939 nm。原文第一单位为浙江大学,发表于MDPI Agriculture 2026年第16卷第16期。
A TinyMLOps Pipeline for Coarse-Grained Plant Disease Classification in Precision Agriculture
本文提出TinyMLOps管道,涵盖模型设计、优化、量化及跨多种边缘设备部署,在受控实验室条件下评估。基于PlantVillage基准推导的数据集,将39个细粒度类别聚合成3个超类(健康叶、不健康叶、无叶),系统执行植物健康状态分类和背景过滤功能,而不是诊断特定疾病。训练基于MobileNet的卷积神经网络,联合优化分类精度和计算效率;选择5个模型(Pareto前沿4个+最大HPO模型)转换为LiteRT和ONNX,在Raspberry Pi Zero 2 W和STM32H743ZI微控制器上以float32和后训练int8精度评估。在float32下,LiteRT比ONNX Runtime快1.87-2.65倍;int8 LiteRT模型比float32小2.83-3.67倍,快21.3-31.2%,F1-score损失仅0.0010-0.0068;在微控制器上,两个最小模型int8变体比float32快4.3倍,MCU闪存占用小3.85倍。
Portable Hyperspectral Imaging Combined with Interpretable PLS-DA-SHAP for Geographical Origin Traceability and Authenticity Discrimination of Poria cocos (Fushen)
本文提出便携式高光谱成像结合可解释PLS-DA-SHAP方法,用于茯苓(Fushen,Poria cocos)的地理来源溯源与真实性鉴别。研究展示了如何将机器学习与SHAP可解释性相结合,应用于中药材产地溯源。原文标题:Portable hyperspectral imaging combined with interpretable PLS-DA-SHAP for geographical origin traceability and authenticity discrimination of Poria cocos (Schw.) Wolf (Fushen),作者:Xing W、Zhang Y、Wei X、Nie S、Cheng X、Cai M、Yang Q、Wang Y,发表于Frontiers in Sustainable Food Systems 2026年第10卷doi:10.3389/fsufs.2026.1891249,2026年7月15日接收,8月7日发表。本研究为基于光谱成像的农产品/中药材产地溯源提供了可解释AI方法范式。
Digital Technology Innovation and Agricultural Industry Chain Resilience: Implications for Food Security
本文使用2010-2025年中国69家农业上市公司714个企业-年度非平衡面板数据,考察企业层面数字技术创新对农业产业链韧性的影响。研究显示数字技术创新显著提升产业链韧性,这一发现经多重检验后保持稳健。中介分析确认该效应通过企业经营效率和市场预期两个渠道发挥作用。从区域异质性看,东部地区、城市群、非老工业基地正向效应显著;从企业异质性看,非国有、大规模、成熟企业正向效应显著。原文标题:Digital technology innovation and agricultural industry chain resilience: implications for food security,作者:Chen J、Xu、Xiong、Zhao、Yao,发表于Frontiers in Nutrition 2026年第10卷doi:10.3389/fnut.2026.1915856。本研究为以粮食安全为导向、促进农业数字化同时解决粮食系统结构性薄弱环节的政策提供了实证依据。
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。
The Impact of Digital Rural Construction on Nighttime Economic Vitality
本研究系统考察数字乡村建设与夜间经济繁荣之间的影响机制,通过构建双向固定效应模型、门槛回归模型和空间杜宾模型。发现三点关键洞见:1)数字乡村设施建设通过降低市场交易成本和培育新型消费模式有效驱动夜间经济增长,这一效应在经济发达地区尤为突出;2)环境质量与城乡均衡发展对数字技术的赋能作用具有非线性调节效应,当空气污染浓度和城乡收入差距超过特定门槛时,边际促进作用显著减弱;3)数字乡村建设对本地夜间经济有显著正向影响,但对非本地夜间经济影响不显著。本研究为数字经济时代农村经济繁荣提供了新的理论视角,对平衡数字基础设施、实施差异化环境治理、优化城乡收入分配具有政策启示。