#深度学习

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。

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。

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。Smart Agricultural Technology

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。

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。

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

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。

提出Swin-SPVDNet混合CNN-Transformer网络，实现甘薯病毒病轻量级实时检测。

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。

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。

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 mAP@0.5 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%。

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。

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)。

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]

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)。

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。

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、mAP@0.5:0.95达0.624;YOLOv8和YOLO11表现稳定强劲;Faster R-CNN精度显著较低,mAP@0.5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。

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。

《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。