智慧农业(中英文)

对地观测驱动的数字（智慧）农业研究前沿与应用案例 |

吴炳方, 马慧, 张淼, 潘庆成, 张翔, 陈水森, 邱炳文, 徐新刚, 刘建红, 范锦龙, 黄健熙, 江佳乐, 何昌垂

2026, 8(2): 1-17. doi:10.12133/j.smartag.SA202512027

摘要 ( 47 )

HTML ( 6)

PDF (2369KB) ( 11 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 数字农业的本质在于通过物联网、大数据、人工智能及遥感等信息技术，实现农业生产全过程的数字化映射与智能化管控。对地观测技术作为关键的数据引擎与推动力，为农业特别是种植业的数字化转型提供了不可或缺的空间信息支撑。本文从对地观测的视角出发，剖析其驱动的数字（智慧）农业研究前沿与典型案例。 【进展】 当前，研究前沿聚焦于三个领域。一是农情智慧监测，整合高分辨率遥感数据和机器学习技术，实现全口径作物制图、精准产量预测和灾害监测、评估与预警等。二是数字孪生农场，将农业生产全要素数字化建模，动态科学指导精准农业生产，提高生产效率与效益，减少对环境的影响。三是农业系统韧性，通过量化韧性措施的贡献，帮助农业系统应对气候变化挑战。在此基础上，本文结合农情遥感智能监测系统与农业水管理系统两个典型案例，展示了数字（智慧）农业在宏观政策支持和农业生产赋能的云端服务能力。进而分析了影响数字（智慧）农业商业化和业务化进程的多重阻力。 【结论/展望】 数字农业不仅是提升生产效率、保障粮食安全的关键路径，更是推动农业智慧转型、增强农业韧性的一种新型生产要素与系统性能力，即农业领域的“新质生产力”，其系统解决方案与商业模式有望在全球农业变革中形成“中国名片”，助力零饥饿目标的实现。

高时空分辨率遥感支撑的农业精准灾害预警：进展、瓶颈与融合路径 |

许晓斌, 朱红春, 李峰, 贺威, 杨家铭, 李振海

2026, 8(2): 18-34. doi:10.12133/j.smartag.SA202512002

摘要 ( 122 )

HTML ( 2)

PDF (1228KB) ( 21 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 高时空分辨率遥感技术正深刻变革农业灾害管理模式，系统梳理其在气象致灾因子主导的水文胁迫、温度胁迫与结构破坏三类农业灾害监测预警中的应用进展，对于应对气候变化背景下日益严峻的农业灾害风险、构建精准高效的灾害防控技术体系具有重要理论意义与实践价值。 【进展】 本文系统阐述了“天空地”一体化观测网络的技术特征，分析了卫星、无人机与地面平台协同，光学、微波与热红外传感器互补的立体观测优势；构建了“监测-预警-决策”方法论框架，深入剖析了物理机理模型与数据驱动模型在灾害识别、过程模拟与风险研判中的技术路径与融合潜力；分灾害类型论证了干旱洪涝、高温冻害、作物倒伏等单一灾害及复合灾害在监测预警决策各环节的核心挑战与解决方案，特别强调了根区土壤水分反演、器官温度感知、多致灾因子耦合建模等关键科学问题的研究进展。 【结论/展望】 研究表明，当前农业灾害遥感管理仍面临数据壁垒、模型鸿沟、尺度效应与系统闭环断裂等共性瓶颈，未来应重点发展物理引导的机器学习方法，构建农业灾害数字孪生平台，探索面向复合灾害的智能体建模，推动农业灾害管理从被动响应向主动干预、从单点突破向系统集成的范式转变，为实现农业防灾减灾智能化提供技术支撑。

基于轻量化改进YOLOv11n-Seg的胡麻倒伏区域识别方法 |

苏玉杰, 李玥, 魏霖静, 吴兵, 郭林海, 剡斌, 周慧, 高玉红, 康亮河, 刘欢, 苏舜昌

2026, 8(2): 35-47. doi:10.12133/j.smartag.SA202508013

摘要 ( 320 )

HTML ( 4)

PDF (5158KB) ( 12 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 倒伏是制约作物产量与品质的关键因素之一，本研究针对胡麻田间图像中倒伏区域形态复杂、边界模糊、背景干扰大导致不易识别的问题，提出一种高精度、轻量化的倒伏区域识别方法，以支持智能化田间监测和自动化农业设备的实际部署。 【方法】 提出一种基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法，该方法从模型轻量化与精度提升出发，首先在骨干网络中引入融合多尺度高效通道注意力机制的集成空间深度可分离模块（C3k2 Spatial‑Depthwise, C3k2_SDW），以增强模型对倒伏区域特征的敏感性；其次在颈部结构中引入双向特征金字塔网络结构，并结合多阶段语义融合策略，实现不同尺度与语义层次特征的充分交互，从而提升对细粒度倒伏区域的识别能力；最后在输出阶段对预测边界进行精细化处理，提高倒伏区域分割结果的边界精度。 【结果和讨论】 改进后的YOLOv11n-seg模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。 【结论】 基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。

基于河马优化算法与机器学习的土壤有机质制图采样策略 |

连振翔, 费徐峰, 任周桥

2026, 8(2): 48-58. doi:10.12133/j.smartag.SA202508027

摘要 ( 170 )

HTML ( 6)

PDF (1923KB) ( 8 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 土壤有机质（Soil Organic Matter, SOM）是土壤质量的核心表征指标，开展SOM制图研究具有重要意义。尽管机器学习已成为提升数字土壤制图（Digital Soil Mapping, DSM）精度的重要手段，但其性能依赖于输入采样数据的质量。因此，合理的采样点布局是DSM的关键前提。本研究旨在剔除冗余采样点、降低采样成本，并进一步提升SOM的预测精度。 【方法】 构建基于河马优化算法（Hippopotamus Optimization Algorithm, HO）随机森林残差克里金插值的最优采样策略。以浙江省兰溪市已布设调查的1 080个土壤样点为基础，结合环境协变量，优化生成多组采样方案，确定最优的采样密度和样点位置，用于SOM的空间预测与制图。 【结果和讨论】 HO优化的多组采样方案中，当采样密度为2.3点/km²（629个采样点）时效果最佳，均方根误差和平均绝对误差分别降低至5.11和3.79 g/kg，决定系数为0.49，林氏一致性相关系数达到0.63，优化后采样成本较原始方案下降41.8%。 【结论】 综上所述，兼顾采样成本和预测精度，HO是一种潜在有效的采样优化方法，能为类似区域的土壤有机质空间预测与制图采样提供参考。

YOLOv8n-SSND：改进的无人机航拍藜麦穗目标检测轻量模型 |

吴婷婷, 郭俊睿, 陶秋洁, 陈世华, 郭善利

2026, 8(2): 59-71. doi:10.12133/j.smartag.SA202508021

摘要 ( 254 )

HTML ( 6)

PDF (3353KB) ( 11 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 藜麦穗是藜麦产量评估的重要指标之一。为提高藜麦穗目标检测精度和检测效率，提出一种适用于无人机搭载的目标识别轻量模型YOLOv8n-SSND（YOLOv8n with Switchable Atrous Convolution, Slim Neck, and Deformable Attention）。 【方法】 以YOLOv8n和YOLOv11n为基准模型，考虑藜麦穗形态大小不一及结构复杂，在Backbone层加入可切换空洞卷积模块以提升检测复杂特征的能力；引入Slim-Neck特征融合层，轻量化主干网络；添加可变形注意力机制，使模型能够动态识别藜麦穗部的复杂特征，同时保持较高的推理效率。 【结果和讨论】 YOLOv8n-SSND模型平均精度均值达94.3%，相较于YOLOv11n-SSND、YOLOv11n、YOLOv12n、YOLOv7、YOLOv5s、SSD（Single Shot MultiBox Detector）、Fast R-CNN（Fast Region-Based Convolutional Neural Network）和YOLOv8n模型，分别提升0.7、0.9、2.1、1.4、2.0、23.1、19.6、1.8个百分点。该模型推理速度达166.7帧/s，较基准模型提高26.7%；计算量为6.8 GFLOPs，较基准模型降低16.0%。 【结论】 YOLOv8n-SSND模型在藜麦穗部识别上表现出更高的精确度、更快的推理速度以及更少的浮点运算量，为无人机搭载针对藜麦穗部的藜麦目标检测提供了可行方法，也为藜麦产量评估与智能农业管理提供了高效的技术方案。

基于GWRF模型的县域土壤有机质数字制图方法——以鲁中山区为例 |

张树琳, 崔丽芹, 刘健, 张灿婷, 王洪佳, 张婷婷, 王瑷玲

2026, 8(2): 72-85. doi:10.12133/j.smartag.SA202508020

摘要 ( 276 )

HTML ( 10)

PDF (3174KB) ( 22 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 土壤有机质（Soil Organic Matter, SOM）是土壤肥力和质量的重要指标。为解决山区复杂地形条件下SOM空间变异性强、传统数字土壤制图方法预测精度受限的问题，本研究旨在引入并验证地理加权随机森林（Geographically Weighted Random Forest, GWRF）模型在县域尺度复杂地形区SOM数字制图中的适用性与精度优势，并实现SOM含量的高精度空间预测，对合理利用和科学管理土壤资源具有重要意义。 【方法】 以山东省典型山地农区沂源县为研究区，利用实测SOM样点数据，考虑气候、地形、土壤、植被和土地利用等环境变量，通过构建融合空间局部建模与非线性建模能力的GWRF模型对研究区SOM预测、数字制图，并与普通克里格（Ordinary Kriging, OK）、多元线性回归（Multiple Linear Regression, MLR）、GWR和随机森林（Random Forest, RF）等模型进行精度对比。 【结果和讨论】 GWRF模型表现最优，决定系数（R²）为0.48、均方根误差（Root Mean Square Error, RMSE）为5.12 g/kg，较OK、MLR、GWR和RF模型R²分别提升0.24、0.16、0.13和0.07，RMSE降低了1.06、0.73、0.59和0.36 g/kg。研究区SOM含量整体偏低，呈中部高、西南和东北低的空间分布特征，主要受土壤类型、年蒸散量、坡度和砂粒含量等环境因素影响。 【结论】 研究结果证明GWRF模型在复杂地形区的县域SOM预测中具有显著优势，可为第三次全国土壤普查背景下的高精度SOM数字制图提供技术支撑。

基于时序气温特征增强的苹果始花期Bi-LSTM预测方法 |

刘恩奇, 刘淼, 王拓, 朱耀辉, 陈日强, 徐波, 高美玲, 张静, 杨耘, 杨贵军

2026, 8(2): 86-97. doi:10.12133/j.smartag.SA202510026

摘要 ( 125 )

HTML ( 1)

PDF (4977KB) ( 7 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 苹果始花期是果园物候管理的核心节点，其精准预测对于安排疏花疏果、病虫害防治及规避花期冻害至关重要。传统始花期预测模型特征输入所用气温特征类型单一，且对深层语义信息挖掘不足，难以表征内在物候变化规律；物理驱动模型需预设物候变化函数，依赖人工分区标定阈值，难以实现大范围自适应花期预测。为克服这些局限并进一步提升预测精度，构建了一种数据驱动的深度学习预测框架。 【方法】 以陕西省洛川县为研究区域，选取2019—2021年苹果采摘后至次年开花期前的逐日最高/平均/最低近地表气温数据，引入局部依赖头、全局依赖头和累积特征头3种多头注意力机制，联合表征多维气温特征，增强模型对气温局部波动、全局趋势及累积变化等时变规律的识别能力，并将地理因子（高程经纬度）作为静态特征与递归神经网络融合，构建区域自适应的双向长短期记忆网络，实现面向空间差异的苹果始花期预测。以洛川县2022年实际调查的始花期数据对模型进行了精度验证。 【结果和讨论】 模型在测试集上的均方根误差为1.34 d，平均绝对误差为1.13 d，预测误差主要集中在0~2 d，相关系数达到0.84。进一步分析表明，引入地理因子有助于降低预测误差并增强模型的空间适应性。经验证，该方法在研究区内可实现提前15~20 d的稳定预测。 【结论】 研究结果为实现苹果始花期更高精度的预测提供了新路径，为果园花期管理及灾害防控提供了技术支撑。

CAGE-YOLO：基于遥感影像的水产养殖网箱高密度小目标检测模型 |

张文博, 江一珏, 宋巍, 贺琪, 张文博

2026, 8(2): 98-117. doi:10.12133/j.smartag.SA202508023

摘要 ( 323 )

HTML ( 7)

PDF (3488KB) ( 16 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 针对复杂背景下密集且小尺度海水网箱目标检测困难的问题，本研究构建专用数据集并设计具有针对性的检测模型，以提升在实际养殖管理中的识别精度与鲁棒性。 【方法】 基于来自澳大利亚、加拿大、智利、克罗地亚、希腊、中国及法罗群岛七个具有代表性的海水养殖区域的高分辨率遥感影像，构建了海水网箱数据集；提出了基于 YOLOv5的Cage-YOLO 深度学习检测模型，用于密集小目标网箱的自动识别。首先，引入自适应密集感知算法，自动选择并生成反映小型网箱密集分布特征的特征图；其次，集成改进的快速空间金字塔池化模块，有效减少背景噪声干扰并增强全局特征提取能力；最后，加入混合注意力模块，进一步提升模型对密集小目标的感知能力。 【结果和讨论】 实验结果表明，Cage-YOLO在精度、召回率及平均精度方面分别较原始YOLOv5提升了5.6、21.8和17.4个百分点。模型体积保持为16.9 MB，兼具优越性能与良好的部署优势。 【结论】 本研究为密集小目标检测提供了一种有效的新方法，并为海洋网箱养殖的智能化管理提供了重要的技术支持。

面向云遮挡与复杂地块场景下的跨模态注意力多源遥感农作物分类 |

巫晨旭, 左浩龙, 李刚

2026, 8(2): 118-132. doi:10.12133/j.smartag.SA202510010

摘要 ( 184 )

HTML ( 6)

PDF (8282KB) ( 21 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 本研究旨在突破传统光学遥感在云遮天气与耕地破碎地形下的局限性，通过构建一种具备优秀跨模态融合能力与泛化性能的深度网络模型来提升农业遥感分类精度。 【方法】 提出一种基于注意力机制的3D卷积神经网络（3D Convolutional Neural Network Based on Attention Mechanism, Attention-3DCNN）模型：其通过3D卷积+2D卷积结构处理时序哨兵二号多光谱影像，在空间与时间维度上提取丰富特征；同时以深度可分离卷积形式处理来自哨兵一号的合成孔径雷达（Synthetic Aperture Radar, SAR）数据，实现对全天候可获取信息的高效抽取；进一步，模型引入“通道-时间-空间”三重注意力机制与残差连接策略，对两个模态的特征进行动态加权与深度融合，使得在光学数据缺失或遮挡严重的情形下，SAR数据能够有效补偿并维持分类性能。 【结果和讨论】 为全面评价模型性能，选取法国全景农业卫星时序数据集，以及山东省沂水县实测数据集进行对比实验：在法国数据上模型达到97.5%的整体准确率，在沂水县数据上获得93%的准确率，均显著优于对照基线模型；同时，通过对注意力分布的可视化分析可见，模型聚焦的关键物候期与当地农业实地记录高度一致，其高权重光谱波段亦符合农学机理，这体现出模型在判别机制层面的可解释性。 【结论】 综上，Attention-3DCNN模型在耕地破碎、云遮影响严重的山区条件下显著提升了作物分类精度，具有良好的推广前景与应用价值。

基于改进YOLOv10和LAMP通道剪枝的串番茄成熟度检测算法研发 |

赵丽成, 卢鑫羽, 吴茜, 任妮, 周玲莉, 程雅雯, 胡安琦, 戚超

2026, 8(2): 133-146. doi:10.12133/j.smartag.SA202507045

摘要 ( 354 )

HTML ( 11)

PDF (3753KB) ( 25 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 由于串番茄果实密集重叠、温室光照复杂多变及果实颜色连续渐变等因素，检测模型在对成熟度进行精准快速识别时面临挑战。因此，提出了一种基于改进YOLOv10（You Only Look Once version 10）的轻量级串番茄成熟度目标检测模型LampCT-YOLO （Cluster Tomato YOLO with Layer-wise Adaptive Mask Pruning），以提高检测精度、推理速度和鲁棒性。 【方法】 以YOLOv10为基线模型，在主干网络引入SegNeXt（Segmentation Next）注意力机制，通过自适应调整注意力权重，增强模型对3类不同成熟度串番茄关键区域（如边界、颜色深浅）的特征提取能力；在训练完成的模型基础上，通过基于梯度的全局通道重要性方法LAMP（Layer-wise Adaptive Mask Pruning）通道剪枝，显著压缩模型体积和计算复杂度，同时有效保持模型对串番茄3分类成熟度的高检测性能。 【结果和讨论】 在NVIDIA A100显卡环境下，LampCT-YOLO模型对串番茄红熟早期、中期、晚期的平均精度均值（Mean Average Precision, mAP）分别为84.6%、89.5%、88.4%，相比YOLOv10分别提升了5.5、7.7和0.9个百分点，对串番茄3个成熟度类别的mAP₅₀为87.6%，相比YOLOv10提升了4.7个百分点。应用LAMP通道剪枝技术后，模型的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后，在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s的推理速度，实现了检测精度与实时性的有效平衡。 【结论】 研究结果可为基于巡检机器人的串番茄成熟度精准快速识别提供坚实的技术支撑。

基于轻量化Mamba-YOLO模型的梨表面缺陷检测方法 |

修贤超, 费士祺, 黄文倩, 李楠, 苗中华

2026, 8(2): 147-157. doi:10.12133/j.smartag.SA202508022

摘要 ( 189 )

HTML ( 6)

PDF (1523KB) ( 15 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 针对当前砀山梨表面缺陷因尺度小而导致检测精度差的问题，本研究提出了一种基于改进Mamba-YOLO的轻量化高精度模型，旨在实现检测精度与效率的平衡。 【方法】 首先，采用动态上采样模块，相较于现有Mamba-YOLO的上采样模块具有更少的参数量和浮点运算次数，可在保障模型计算效率的同时，提升对缺陷细节信息的保留能力。其次，提出频率自适应空洞卷积，通过动态调整卷积核尺寸，使网络依据输入局部特征自适应选择匹配的卷积核，从而增强对缺陷的特征提取能力。最后，融合压缩和激励模块和通道混合器卷积门控线性单元，同时引入多尺寸卷积核提取多尺度特征，进一步提升模型对局部细节的捕捉能力与鲁棒性。 【结果和讨论】 改进后的算法在砀山梨测试集上经过评估，平均精度均值达到了95.1%，帧率达到了72帧/s。与YOLOv8n、Gold-YOLO-N和YOLOv12n相比，平均精度均值分别高出了4.7、5.3和6.3个百分点；与基准Mamba-YOLO-T相比，平均精度均值提升了3.4个百分点，帧率提高了10.8个百分点。 【结论】 改进模型在提升综合检测性能的同时降低了计算复杂度与参数量，可为轻量化梨表面缺陷检测研究提供可靠的算法支撑。

CD-YOLO：基于改进YOLOv11s的田间胡萝卜苗检测方法 |

刘浩然, 王宇, 赵学观, 吴华瑞, 付豪, 庞树杰, 翟长远

2026, 8(2): 158-174. doi:10.12133/j.smartag.SA202511008

摘要 ( 194 )

HTML ( 16)

PDF (9732KB) ( 12 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 枝叶遮挡是田间胡萝卜苗精准识别的主要挑战，对此开发一种轻量、高效的检测模型，以实现田间遮挡条件下胡萝卜苗的精准鲁棒识别。 【方法】 提出了一种基于改进YOLOv11s（You Only Look Once）的轻量化检测方法CD-YOLO（Carrot Detection-YOLO）。首先，为降低模型复杂度，将主干网络中的部分标准卷积替换为深度可分离卷积，以减少计算量与参数量；其次，在C3k2模块中引入高效多尺度注意力机制（Efficient Multi-Scale Attention, EMA），构建C3k2_EMA模块，增强模型对关键特征的动态感知能力，从而抑制背景与遮挡噪声；最后，采用动态检测头，强化模型对不同尺度特征的融合与感知，进一步提升检测鲁棒性。 【结果和讨论】 结果表明：CD-YOLO模型的计算量和模型大小相较于YOLOv11s分别降低了6.2 GFLOPs和4.8 MB，单张图像推理速度提升了4.7 ms，准确率、召回率与平均精度分别提高了3.0、1.5和2.4个百分点；在应对枝叶遮挡方面，CD-YOLO的漏识率为13.4%，较YOLOv11s下降了5.7个百分点；将模型部署于边缘算力设备，在随机选取的胡萝卜苗图像上进行测试，漏识率和误识率分别为5.1%和2.7%。 【结论】 CD-YOLO模型在保持轻量化的同时，有效提升了田间胡萝卜苗的检测精度与速度，特别是在应对枝叶遮挡方面表现优异。该研究可为胡萝卜自动化育苗过程中的出苗率统计与精准管理提供可靠的技术支持。

基于因果推断和机器学习的农田玉米产量预测模型 |

王毅, 崔茜彤, 王晨, 熊宝伟, 邵国敏, 王琬莹, 曹培, 韩文霆

2026, 8(2): 175-187. doi:10.12133/j.smartag.SA202506027

摘要 ( 132 )

HTML ( 3)

PDF (1724KB) ( 16 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 玉米作为中国主要粮食作物，其产量的精准预测在维护国家粮食供给体系稳定方面具有重要意义。针对传统预测方法难以揭示变量间因果关系的问题，提出了一种融合因果推断与机器学习的预测方法。 【方法】 首先，基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息，采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系。其次，构建了移动平均-卷积神经网络-长短期记忆网络混合模型，先通过移动平均模块平滑数据噪声，进而利用卷积神经网络提取变量间的空间关联特征。最后，通过长短期记忆网络捕捉产量随时间变化的动态特征。 【结果和讨论】 10 cm和50 cm深度的土壤湿度对产量具有显著的正向影响（P<0.01），其中深层湿度具有更强的时滞效应；反射率中的改进叶绿素吸收指数与归一化植被指数等植被指数则在玉米生长中期呈现出短期因果关系。与其他模型的对比实验结果表明，所提出的模型在多个指标上表现突出，其中决定系数（R²）达到0.955，平均绝对误差和均方根误差分别为1.201 kg/亩和1.474 kg/亩（1 hm²=15亩）。 【结论】 因果分析可为模型提供关键变量筛选依据，显著提升产量预测性能。

基于图文定位生成的育秧盘内密集稻种分割计数方法 |

欧阳盟, 邹荣, 陈进, 李耀明, 陈宇航, 严昊

2026, 8(2): 188-199. doi:10.12133/j.smartag.SA202507030

摘要 ( 226 )

HTML ( 3)

PDF (4184KB) ( 8 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 随着工厂化育秧的快速发展，育秧环节的智能化已成为提升水稻生产效率与品质的关键。育秧盘中穴孔内稻种数量的准确识别，直接影响气振式育苗精密播种装置的作业效率与参数优化。然而，在复杂环境下，穴孔内稻种检测精度低，难以实现单粒精确分割。 【方法】 提出一种融合图文定位生成（Caption Grounding and Generation, CGG）模型与预训练模型的稻种实例分割方法，通过图像与文本特征的联合对齐，实现目标定位与语义理解的协同学习，从而显著提升了稻种的检测与分割精度。 【结果和讨论】 消融实验结果表明，核心改进模块基于自举式语言-图像预训练模型生成的伪标签，以及基于双向编码器表示的 Transformer的词向量嵌入，均能够提升模型性能。二者结合时表现出协同效应，使分割准确率较基线提升超过3个百分点。所提CGG模型在交并比阈值为0.5时，边界框检测平均精度达到90.7%，实例分割平均精度达到91.4%，显著优于Mask R-CNN和Mask2Former等主流模型。进一步在播种场景验证中，CGG模型在单穴种子数量检测精度达88%，表现最优。其针对单粒稻种的误差指标，包括均方根误差16.8粒、平均绝对误差13.7粒和平均绝对百分比误差2.46%，均显著低于对比模型。 【结论】 该模型具备实时在线检测稻种数量的能力，为后续需补种穴位的精准再播种提供了可量化操作依据，具有良好的实际应用前景，可为智慧农业和智能播种技术的发展提供有力支持。

DEMA-3D TSP：一种应用在红花采摘机器人序列规划的融合DEMA注意力机制强化学习算法 |

李萌浩, 王小荣, 刘子贺, 段孟渝, 金正阳

2026, 8(2): 200-219. doi:10.12133/j.smartag.SA202506004

摘要 ( 166 )

HTML ( 9)

PDF (2320KB) ( 9 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 红花自动化采摘中存在多个关键难题，尤其是路径规划效率低、路线质量欠佳，以及在动态复杂环境下决策能力受限等问题。为应对上述挑战，将采摘路径规划任务建模为三维旅行商问题，并提出了一种改进的强化学习框架演员-评论家强化学习指针网络（Actor-Critic Reinforcement Learning Pointer Network AC-RL-PtrNet）。该模型专为农业环境下的智能红花采摘机器人设计，可实现高效的路径优化与决策控制。 【方法】 首先，为克服传统注意力机制在复杂空间结构和动态环境中的固有局限性，提出了一种基于动态指数移动平均框架的增强型注意力模块。该模块融合了多头注意力、空间距离编码和自适应指数平滑机制，使模型能够更充分地捕捉红花目标间的长程依赖关系与空间上下文特征。同时，为在保持推理精度的条件下降低计算开销，采用了结构化剪枝方法，对长短期记忆网络的门控单元及全连接层中的冗余连接进行选择性移除。在此基础上，对评论家网络进行了重新设计，引入了批归一化、残差特征聚合，以及多层价值估计头，从而提升学习稳定性与预测精度，并增强了策略训练过程中演员-评论家（Actor-Critic）之间的协同效果。 【结果和讨论】 为定量评估各模块的性能影响，设计并开展了多组消融实验。结果表明，各功能模块均能带来独立的性能提升，而其组合使用则在路径规划精度与推理效率方面取得了最优表现。该协调的Actor-Critic设计有效提升了轨迹质量与决策稳定性，这对于序列式机器人采摘任务尤为关键。与传统群体智能算法相比，所提出的AC-RL-PtrNet模型在25个目标采摘任务中实现了-2.63%~61.87%的规划时间提升，在31个目标任务中提升幅度为22.93%~59.10%。同时，不同规划实例下的路径长度均显著缩短，表明该模型在不同问题规模下具备良好的泛化与稳定性能。田间实测结果进一步验证了其实际应用效果：在真实红花采摘环境中，AC-RL-PtrNet在25个目标任务中实现路径长度减少9.56%、时间缩短5.43%；在31个目标任务中路径减少20.17%、时间节省29.70%。 【结论】 本研究提出的基于强化学习的结构化路径规划方法在路径规划效率提升与路线质量优化方面均展现出显著优势，为红花采摘机器人在复杂动态环境下实现高效与稳健的自主采摘提供了切实可行的技术方案，同时为解决三维组合优化类问题提供了新的研究思路与方法论支持。

AgriAgent：面向农业环境控制的端到端大模型智能体系统架构 |

裘佳颖, 刘应昌, 高星杰, 黄远, 张红雨, 田芳, 李万理, 冯在文

2026, 8(2): 220-236. doi:10.12133/j.smartag.SA202507042

摘要 ( 182 )

HTML ( 8)

PDF (2326KB) ( 18 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 为突破大语言模型在农业生产决策领域应用中存在的物理世界交互能力不足、专业工具调用受限，以及“幻觉”生成等问题，构建了一个工具增强型环控智能体系统。 【方法】 首先，基于开放气象数据与作物生长模型构建农业数字孪生评测平台，提供标准化闭环控制验证环境。其次，提出了AgriAgent架构，通过“传感器-记忆库-检索器-大语言模型-工具执行器”闭环流程，实现了田间环境的动态感知、知识检索、推理决策与精准执行的端到端闭环控制。该端到端架构的优势在于实现了“环境感知-动态决策-执行反馈”的全流程无缝衔接，极大地提升了系统在复杂、动态农业环境下的实时响应能力和决策精度，解决了传统应用缺乏“感知-决策-执行”闭环能力的问题。为验证系统有效性，在数字孪生环境中，对玉米、小米、甜菜、番茄、卷心菜5种作物在常规、扰动、极端3种情景下开展实验。 【结果和讨论】 以Qwen2.5_7B为核心的AgriAgent-7B模型表现最优，常规情景、扰动情景和极端情景下玉米产量较基线模型分别提升562.20%、459.70%、463.60%；小米产量分别提升646.80%、558.70%、351.20%；甜菜产量分别提升228.20%、118.20%、125.40%；番茄产量分别提升926.20%、979.55%、1 537.46%；卷心菜产量分别提升501.67%、504.65%、1 185.14%。此外，智能体参数量显著影响决策的质量，当参数量达到7 B时，智能体展现了卓越的灵活性与适应性，能够解决大部分复杂的农业生产决策问题。 【结论】 本研究验证了工具增强型智能体在农业动态决策中的有效性，提出的AgriAgent端到端架构，通过知识检索与工具调用闭环，在农业场景下实现了“环境感知-动态决策-执行反馈”的全周期闭环控制，为农业智能体研究提供了可靠技术路径和创新范式。

基于PQ-ECIES的蔬菜物联网区块链防伪追溯系统 |

齐培杨, 孙传恒, 谭昌伟, 王俊, 罗娜, 邢斌

2026, 8(2): 237-250. doi:10.12133/j.smartag.SA202507019

摘要 ( 319 )

HTML ( 6)

PDF (2154KB) ( 11 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 蔬菜供应链具有生产主体类别多、产品品种多、流通环节复杂等特点，针对传统追溯过程中数据采集准确率低、追溯标签易伪造、数据易篡改、供应链信息断链等问题，通过分析蔬菜生产、加工、储运、销售等流程，利用蓝牙、区块链、物联网等手段，创建数据可信共享、全链溯源区块链平台。 【方法】 集成气象站、农残检测仪、标签打印机等物联网设备，通过硬件标识与企业主体绑定机制建立设备-主体可信映射；融合椭圆曲线综合加密方案与后量子密码中的Kyber算法，研发抗量子混合加密方案，实现物联网数据量子安全加密，阻断伪造篡改行为。在此基础上研发基于物联网和区块链的蔬菜防伪追溯系统并进行实验测试，对信息采集准确率、数据上链、数据查询进行了测试分析。 【结果和讨论】 实验结果表明，物联网方式能够提高数据录入的准确率，数据上传至蔬菜防伪溯源区块链系统时延为2 879 ms，查询数据时延为122 ms。蔬菜供应链后量子增强型椭圆曲线综合加密方案对128 B明文的加密与解密时间总开销为10~30 ms，相比于传统加密方法RSA非对称加密的50~80 ms表现出较高效率，相较于对称加密的高级加密标准时间开销大，但抗量子安全性高。 【结论】 系统的数据上链和数据查询效率较高，可以满足系统的应用需求，能够有效解决传统追溯存在的漏填或错填追溯信息、追溯数据造假等问题，实现蔬菜的可信溯源。

改进BI-RRT*的黄鳝投喂机械臂路径规划算法 |

马梦贤, 徐震, 袁泉, 周文宗, 张春燕

2026, 8(2): 251-264. doi:10.12133/j.smartag.SA202509020

摘要 ( 187 )

HTML ( 7)

PDF (4047KB) ( 7 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 针对工厂化立体式黄鳝养殖饵料投喂机械臂在受限空间内路径规划速度慢、轨迹冗余度大、避障成功率低等问题，提出一种基于改进BI-RRT*（Bidirectional Rapidly-Exploring Random Tree Star）的受限空间路径规划算法。 【方法】 在BI-RRT*算法双向扩展策略基础上，引入目标偏置策略，减少随机采样点。同时结合改进的人工势场法，融入目标点和随机点引力概念，通过自适应调节引力系数引导路径向目标节点扩展，有效避免算法陷入局部最优；最后通过渐进优化策略得到最佳轨迹。 【结果和讨论】 在Matlab平台上，对RRT*算法、APF-RRT*（ Artificial Potential Fields Rapidly-Exploring Random Tree Star）算法、BI-RRT*算法及改进BI-RRT*算法进行了仿真分析，研究其在二维和三维空间下简单、受限，以及复杂环境中的表现。仿真数据显示，在不同环境运行中，改进BI-RRT*算法均展现出显著的性能优势。基于黄鳝养殖投喂场景，搭建机械臂机器人操作系统仿真环境并进行受限空间下投喂试验。结果表明，与BI-RRT*算法相比，改进BI-RRT*算法平均运行时间减少41.6%，平均路径长度降低2.3％，平均节点数减少37.9％，以及投喂成功率提高6％。 【结论】 试验验证改进BI-RRT*算法在投喂任务中展现出更优性能，为工厂化立体式黄鳝养殖高效投饵工作提供了参考。

基于大语言模型的农业用户主体需求关键因子提取方法 |

栗润腾, 王一群, 李宏达, 李静晨, 陈雯柏

2026, 8(2): 265-278. doi:10.12133/j.smartag.SA202509011

摘要 ( 170 )

HTML ( 6)

PDF (3931KB) ( 16 )

数据和表 | 参考文献 | 相关文章 | 计量指标

【目的/意义】 在农业领域，用户需求文本是农技精准推广、政策靶向服务的核心依据，但其包含的农业专业术语、多场景差异、动态更新特征，导致传统方法存在“专业术语识别误差大、多场景需求分类模糊、动态需求响应滞后”的问题，难以支撑高效的需求分析。因此，本研究构建基于大语言模型的农业需求智能分析方法，针对性解决传统方法的上述痛点，实现农业用户需求的精准识别、结构化提取与高效解析，为农技推广、政策服务提供高质量的需求数据支撑，推动农业数字化转型的精准落地。 【方法】 在农业需求分析中引入大语言模型，利用其语义理解与推理能力实现对用户需求的精准解析。提出了“3阶段训练+多智能体协同”的技术路径：首先收集8万条农业文本与2.28万条标注样本，用于领域预训练与指令微调，以增强模型的领域适应性；随后设计多智能体协同框架，由管理型智能体负责任务调度与质量控制，任务型智能体分别承担需求分类、关键因子提取与解释生成，从而实现对农业用户需求的结构化分析。 【结果和讨论】 农业需求分析智能体框架（Agri-NeedAgent）在需求类型匹配的准确率达到84.6%，关键因子提取的F₁值达到85.2%，接口合规率94.2%，可解释性90.2分，均显著优于未经过领域微调的通用大语言模型与不含多智能体协同机制的对照方法。 【结论】 大语言模型经过领域适配与微调后，能够实现对农业用户需求的深度解析与关键因子精准提取，且能通过多智能体协同机制提升分析的完整性与可解释性，为智慧农业决策支持系统提供高质量的数据支撑。

当期目录