数字农业与前沿技术

南京财经大学管理科学与工程学院张庆民、何腾飞、徐妍发表于《安徽农业科学》2026年14期。AI赋能数字乡村建设的本质是以乡村数据为关键要素、以智能农具为支撑,通过在乡村场景中实现乡村产业、治理、生态、文化、服务等现代化转型,最终推动乡村高质量发展和城乡深度融合。从AI赋能、场景理论与新质生产力视角诠释三个问题:面向农村农业农民AI赋能数字乡村建设的技术逻辑是什么?面对乡村场景的异质性、碎片化与社会责任,如何实现乡村场景的有效适配?应该采用什么样有效路径推进AI赋能数字乡村建设?

顾雪微、赵向豪(《智慧农业(中英文)》2026年第3期,DOI:10.12133/j.smartag.SA202505010)。系统探究智慧农业技术革新赋能农业绿色转型的内在逻辑:从数据维度切入构建多源异构的农业数据采集体系;从算法层面发力借助智能决策重塑资源配置模式;在设备领域推进突破传统装备创新范式;自生态视角着眼构筑绿色生态监测体系。通过数据-算法-设备-生态的协同演进,构成智慧农业赋能农业绿色转型的创新逻辑。论文进一步剖析赋能农业绿色转型存在的障碍并提出可行的对策建议。

基于无人机遥感的茶梢类别检测。研究利用UAV遥感图像对茶树新梢进行自动分类检测,支持茶园精细化管理与产量预测。通过深度学习方法识别不同生长阶段的茶梢,助力茶叶采摘决策与品质分级,为茶产业数字化转型提供技术支撑。

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)。

基于低空UAV RGB影像的作物物候期深度学习自动分类研究。利用11,489张向日葵、油菜、大豆、小麦和大麦图像,基于BBCH量表标注,采用预训练ResNet18通过迁移学习适应任务。两阶段训练:先冻结骨干优化分类头,再微调整个网络。油菜和大麦测试准确率100%,其他作物均超过99%,平均准确率达99.73%。结果支持低空UAV影像与深度学习在精准农业中选择性区域物候评估的潜力,但广泛部署需要跨独立田块、季节、地区和调查条件的验证。

8月16日在广西南宁召开的第32届全国大豆科研生产研讨会上,安徽农业大学王晓波教授代表研发团队发布大豆领域垂直大模型丰菽2.0,系面向大豆全生命周期的生成式AI育种平台。丰菽2.0新增多模型协同分析机制,降低单一模型回答偏差,有助于推动实现大豆数据辅助育种。可围绕大豆重要农艺性状辅助开展病害诊断、育种亲本筛选、虚拟组合设计、表型数据解析、分子标记辅助育种和候选基因功能分析。研发团队下一步还将持续推进田间试点、专业数据积累和算法迭代。

黑龙江省新质生产力科技成果展在哈尔滨工业大学先进技术研究院开展,71项科创成果集中亮相。哈尔滨华工智耘科技激光除草机器人在黑龙江大豆、玉米、白菜等作物种植基地开展多场景验证,累计应用面积超1000亩,杂草净除率超95%,伤苗率小于0.1%。天工开悟农业大模型将选种、施肥、田间管理、收获等环节纳入数据分析,已推广至全省114个农场。黑龙江省农业科学院克山分院董全中团队历时10年选育的高蛋白大豆新品种克豆91,2025年生产经营权以3155万元转让,刷新国内大豆单品种单次市场化交易纪录。

8-16,安徽农业大学王晓波教授在第 32 届全国大豆科研生产研讨会上发布大豆领域垂直大模型'丰菽'2.0。今年 2 月,安徽农大联合中国农业科学院作物科学研究所共同完成'丰菽'大模型构建。新版'丰菽'2.0 整合大豆种质资源、基因组与编码序列、蛋白质、转录本、基因表达、病害样本、育种试验记录及中外文献资料,新增多模型协同分析机制,推动大豆育种向数据辅助育种与精准决策转变。

四川省农科院遥感与数字农业研究所针对丘陵山区耕地面积占全省 78%、山区不足 40% 的机械化痛点,研发出全地形全覆盖 L3 级智能插秧系统。该系统运用深度学习大模型、高精度水田边界智能提取算法、T3 地形精确定位补偿算法、秧爪耦合地形独立控制及全覆盖路径规划算法四大核心技术,系统性解决丘陵山地不规则田块全覆盖无人智能插秧难题。

2026 年 8 月 9-10 日,中国作物学会智慧农业专业委员会第五届学术年会在郑州举办,会议由中国作物学会智慧农业专委会主办,河南农业大学、南京农业大学共同承办。年会主题'智慧农业赋能作物学高质量发展',吸引全国 130 余所高校、科研院所及科技企业的 450 余名代表参会,设 104 个报告。开幕式由河南农大副校长赵鹏主持,智慧农业专委会主任委员、江苏农科院院长朱艳致辞。

Foggia 大学、Barid 大学研究团队开展 PRISMA 2020 流程的系统综述,从 18731 篇文献中筛选 56 篇一手研究(42 篇带定量结果),重点覆盖精准作物管理、精准畜牧、土壤水管理、自主农业系统四类操作域。综述指出:控制条件数据集上的高性能在外部、时序或跨地点验证时常常难以保持。以一项广为引用的基准为例,病害分类准确率在保留实验室图像上 >99%,但在同类的实地采集图像上仅 31.4%。综述建议下一个阶段的农业 AI 应以野外真实性、可复现性、部署成熟度与实际效用而非孤立基准分评判。

安徽屯溪区紧扣'数字乡村'建设,将物联网、大数据、AI 技术根系深扎乡土。奕棋镇数字化大棚实现全自动播种+智能催芽,瑶干村植保无人机单日作业 500-600 亩,黎阳镇'微行知'农耕研学基地依托黄山学院食药用菌团队羊肚菌亩产达 876 公斤。江村直播间累计开播 200 余场,带动农产品销售额突破 150 万元。

农民日报评论员赵新宁文章指出,中国农业大学神农大模型 4.0、南京农业大学'神农慧种'系列智能体、知天世界大模型、育繁推一体化管理大模型、荔知君大模型、智慧棉田精准管控系统等农业 AI 大模型集中亮相。文章同时点出三大落地难题:数据碎片化(土壤/气象/种业数据未统一标准)、使用门槛偏高(适合散户的低价简易产品供给不足)、产业链协同不足(部分项目长期依赖政府补贴)。

农业农村部在最新答复中披露,未来将加强农产品国标制订,探索全链条追溯试点,加快构建农产品营销服务体系,完善产销对接机制;并继续加大农牧业科技投入,持续推进智慧农业建设,支持提升农牧业科技创新能力;同时优化高素质农民培育计划和'头雁'项目,创新培育模式以提升质效。

面向精准农业受限于多模遥测难以实时自治的认知瓶颈,提出 AgriAgent 分层多智能体(MAS)框架,将大语言模型从被动分析工具重塑为目标导向的协调器,采用包含感知、认知、执行三层的三层编排(TLO)拓扑。构建基于 APSIM 生物物理模型并经 GAN 扩展的高保真 10,000 状态合成库,引入黑天鹅环境胁迫。基准测试显示推理成功率 98.2%,决策时延降低 97%,将传统人在回路模式转为智能体驱动,为生物-数字自治农场提供蓝图。

农机周讯8月3日—9日盘点:农业农村部部长张柱在形势政策报告会系统盘点"十五五"农机化方向;7月30日至31日农业农村部党组连续召开会议部署加快推进农业人工智能,突破农业传感器专用芯片,健全标准体系与安全管理机制。7月AMI指数52.7%重返景气区间。北京发布"十五五"农业农村现代化规划,建成60个智慧农业应用场景;河南完善"农机云平台";重庆农科院推出新能源农机移动充换电车及成套核心技术。

国务院《加快农业农村现代化"十五五"规划》明确构建多元化食物供给体系、深入实施设施农业现代化提升行动。设施农业突破时空与资源限制,加速物联网、大数据、人工智能技术集成,延伸产业链价值链。甘肃建成全球最大集中连片日光温室生产区,河北设施果蔬产业成为京津"菜篮子"压舱石。文章提出从政策、科技、产业维度协同发力、加强核心技术研发与运用。

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。

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。