［目的/意义］ 随着多智能体系统和大模型技术的迅速发展，其在农业领域的应用将继续成为推动农业现代化和智能化的重要驱动力。本文旨在为农业数字化转型提供理论支持和实践参考，助力农业生产的精准化、智能化和可持续发展。 ［进展］ 本文首先阐述了多智能体系统和大语言模型的基本概念，系统梳理了多智能体系统和大语言模型的基本原理与框架。其次，着重分析了多智能体大模型的技术特点及其在农业中的潜在价值，列举了大模型在农业中的研究和应用状况，提出了大模型在农业中的应用架构和多智能体协作流程。最后，指出多智能体大模型在农业领域的核心挑战和未来研究方向。 ［结论/展望］ 多智能体大模型将凭借其高效协作与场景交互能力，有望在“耕、种、管、收”全流程智能化管理、农业灾害预警与应急决策、品种改良与育种创新等方面发挥更大作用。然而，当前多智能体大模型仍面临可解释性不足、幻觉问题，以及多模态数据的采集和处理方面的挑战。未来需通过引入更先进的推理机制、构建高效的知识库，以及开发针对农业场景的多模态大模型，进一步提升系统的可靠性和效率，为农业的智能化发展提供强有力的技术支持。

［目的/意义］ 随着计算机视觉与自动化技术在香菇工厂化生产中的深入应用，拌料、装袋、灭菌、接种等环节已基本实现自动化，而采摘与分级仍高度依赖人工，成为制约产业效率的关键环节。为提升香菇采收阶段的智能化水平，亟需构建高精度、轻量化的目标检测模型。 ［方法］ 提出了一种基于改进RT-DETR（Real-Time DEtection TRansformer）的香菇采收评价模型——FSE-DETR。该模型在主干网络中引入FasterNet Block以降低计算复杂度，并在特征编码阶段设计了小目标特征融合网络（Small Object Feature Fusion Network, SFFN），通过空间到深度卷积（Space-to-depth Conv, SPDConv）保留细粒度空间信息，结合跨阶段全核模块（Cross Stage Partial Omni-Kernel Module, CSPOmniKernel）实现多尺度特征提取与全局上下文建模；同时采用高效交并比（Efficient IoU, EIoU）损失函数优化边界框定位精度与收敛速度。 ［结果和讨论］ FSE-DETR在检测精度和模型效率方面均优于Faster R-CNN（Faster Region-based Convolutional Neural Network）、YOLOv7、YOLOv8m和YOLOv12m等主流模型，在小目标、密集遮挡和低光照条件下表现更加稳定。模型最终准确率达95.8%，召回率为93.1%，平均精度均值为95.3%，同时具备良好的计算效率，参数量为19.1 M，FLOPs为53.6 G，展现出优异的实用性与部署潜力。 ［结论］ FSE-DETR在保持高检测精度的同时实现了轻量化与高效率，能够为香菇工厂化生产中的采收评价提供可靠的技术支持。

［目的/意义］ 蔬菜价格预测难度较大，在其时间序列中受到天气、物流、季节、供需、政策等多种因素影响，数据具有非线性和非平稳特性。为提升预测的稳定性与准确性，本研究借助神经网络模型挖掘了蔬菜价格序列中的潜在规律。 ［方法］ 以胡萝卜、白萝卜、茄子和结球生菜4种常见蔬菜价格为研究对象，提出一种基于神经网络结构的时序模型价格预测方法。引入自动调参优化算法对PatchTST、iTransformer、SOFTS、TiDE、Time-LLM这5种基于神经网络结构的时序预测模型进行超参数调优，并将传统自回归积分移动平均模型（Autoregressive Integrated Moving Average, ARIMA）作为基准模型，对比了基于神经网络时序模型的预测性能，最终选择性能最优模型预测蔬菜价格。通过平均绝对误差（Mean Absolute Error, MAE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）、均方误差（Mean Square Error, MSE）多维度指标分析了各模型的价格预测准确度。 ［结果和讨论］ 基于神经网络结构的时序预测模型在蔬菜价格预测中具有较好的拟合效果，而引入的自动调参优化算法在价格预测任务中成为提高模型表现的关键。具体来说，模型经过自动调参优化算法后，胡萝卜、白萝卜和茄子日价预测在MSE指标上至少分别降低了76.3%，94.7%和74.8%；周价预测至少分别降低85.6%，93.6%和64.0%，表现出较好的准确性。 ［结论］ 自动调参优化算法有效地提升了模型预测性能，可以较为准确地预测蔬菜价格走势，为蔬菜价格预测问题提供了高效的解决方案。

［目的/意义］ 中文茶叶病虫害文本中存在大量的嵌套实体和长实体，导致中文茶叶病虫害命名实体识别（Named Entity Recognition, NER）的准确率不高。边界偏移网络（Boundary Offset Prediction Networks, BOPN）能够预测候选实体的跨度和最近实体跨度的偏移值，扩展了每个文本跨度的预测范围，有效避免了不同类型实体之间的嵌套边界冲突。针对中文文本的长实体识别，提出了结合边界预测和标签增强的命名实体识别方法。 ［方法］ 首先，边界预测模块定位实体的开始位置，并利用注意力机制计算后续序列属于该实体的概率；其次，基于边界识别的结果设计标签增强，使用双仿射分类器将长实体与类别标签进行联合建模，将建模结果与模型的隐藏层条件归一化输出结合，增强标签分类能力；此外，注意到模型中卷积矩阵的对称性，结合压缩激励注意力机制的自适应通道加权和低秩分解，构建低秩线性层，替换原模型中线性层，提升性能的同时减少了线性层的计算量。 ［结果和讨论］ 为了测试边界增强偏移网络在实体识别上的性能，与BiLSTM（Bidirectional Long Short-Term Memory）、SoftLexicon、Boundary Smooth等多种命名实体方法，包含基于序列和基于跨度的实体识别，以及基线模型，在自建数据集和ResumeNER、WeiboNER、CLUENER（Chinese Language Understanding Evaluation NER）、Taobao四个公开中文数据集上分别进行了对比实验。在五个数据集上分别取得了较好的F₁值。 ［结论］ 相比现有方法，本研究提出的方法能更有效地识别中文茶叶病虫害文本中的实体，效果优于其他模型，并展现了良好的泛化性。

［目的/意义］ 种质资源是高质量育种的“芯片”，评估大豆种质活力对于种质资源安全保存和大豆产业健康发展至关重要。传统的活力检测方法耗时、耗力且消耗种子，迫切需要开展无损、智能化和高通量的检测研究。高光谱成像结合深度学习为快速无损检测大豆种质活力提供了新途径。相较于人工老化样本，自然老化样本更能真实地反映种质活力衰退过程中的物质变化，但其有无活力样本数量不平衡限制了活力预测模型的泛化能力。 ［方法］ 为解决上述问题，本研究提出了一种半监督深度卷积生成对抗网络（Semi-supervised Deep Convolutional Generative Adversarial Network, SDCGAN），以生成高质量的带活力标签的高光谱数据；构建了光谱分数融合网络（Spectral Score Fusion Network, SSFNet），用于实现大豆种质活力的高光谱检测。利用SDCGAN对原始光谱进行数据增强，构建了原始光谱、生成光谱和混合光谱3种数据集；SSFNet通过对光谱通道进行自适应加权，突出活力相关特征、抑制冗余噪声，并开展迁移泛化实验验证模型稳健性。 ［结果与讨论］ 相较于原始和生成光谱数据集，SSFNet在样本数量更大、有无活力样本数量平衡的混合光谱数据集上实现了93.33%的最高活力分类准确率；与其他4种对比模型相比，SSFNet具有最佳的预测分类性能；在未知大豆品种的泛化测试中，SSFNet实现了73.67%的活力预测准确率，显著优于既往模型。 ［结论］ 研究结果将为样本不平衡条件下的种子活力智能无损检测技术研发提供方法参考和技术支撑。

［目的/意义］ 复杂果园环境中果实目标的精确识别，是苹果采摘机器人作业的关键前提。然而，果园环境中不同的光照环境和遮挡情况对模型的泛化能力提出了严峻要求；同时机器人边缘端计算平台有限的算力资源，对视觉分割模型的计算效率也提出挑战。为此，本研究基于YOLOv11n架构提出一种轻量化实例分割模型SSW-YOLOv11n，提升在差异工况下果实掩膜的分割精度及边缘侧的推理效率。 ［方法］ 首先，SSW-YOLOv11n模型在颈部网络引入分组混洗卷积（Group Shuffle Convolution, GSConv）和VoV群组混洗CSP模块（Variety of VoV with Group Standard Cross Stage Partial, VoVGSCSP），实现了在降低计算量的同时提升对模型精度和特征表达能力，构建轻量化、高效融合特征的Slim-Neck结构；其次，在骨干网络与颈部网络连接的三个输出端引入简单无参数注意力模块（Simple, Parameter-Free Attention Module, SimAM），对前向传播的特征进行加权处理，增强模型对关键区域的感知能力；最后，采用智能交并比损失函数（Wise Intersection over Union Loss, Wise-IoU）替代原始损失函数，通过引入距离与几何因素的综合权重调节机制，实现对边界框的有效优化。 ［结果和讨论］ 实验结果表明，相较于原始YOLOv11n模型，SSW-YOLOv11n在Box mAP50和Mask mAP50上分别提升了1.7和2.4个百分点，计算量和模型权重分别减少了12.5%和22.8%；模型在边缘侧NVIDIA Jetson TX2平台推理帧率可达29.8 FPS，相较于YOLOv11n提升了18.7%。 ［结论］ 验证了所提方法在提升分割精度与降低计算开销方面的有效性，为苹果采摘机器人的实际应用提供了技术基础。

［目的/意义］ 玉米叶片病害的精准检测对保障玉米产量和农业可持续发展至关重要。针对目前玉米叶片病害检测没有充分考虑病害的形状及细节特征等问题，提出一种适用于小目标场景的玉米叶片病害检测算法，以提升病害区域的识别精度。 ［方法］ 在可变核卷积（Arbitrary Kernel Convolution, AKConv）的基础上设计DRPAKConv替换网络中参数量较大的3×3卷积，通过动态采样和静态卷积两个分支自动调整采样形状和卷积核大小，提高对较小病斑的检测能力；在特征融合部分设计CBVoVGSCSP替换传统C2f特征融合模块，改善梯度流失现象，保持特征丰富性的同时减少计算冗余；在颈部网络中引入卷积和注意力融合模块（Convolutional Attention-based Feature Map, CAFM），将提取的特征进行交互和融合，提高模型的表示能力和检测性能。 ［结果和讨论］ 通过消融实验和不同算法对比实验可知，DCC-YOLOv10n算法在玉米叶片病害数据集上展现出了良好的检测精度。与YOLOv10n相比，改进后的算法计算复杂度减少了0.5 GFLOPs，模型参数仅为2.99 M，精确度、召回率、平均精度均值分别提高了1.7、2.6和1.7个百分点，分别达到了96.2%、90.3%、94.1%。通过精确率-召回率曲线进行对比，DCC-YOLOv10n算法的综合表现效果更稳定，模型总体平均精度均值从原来的92.4%提升至94.1%，提升了1.7个百分点，满足了对玉米叶片病害小目标的检测需求。 ［结论］ 提出的DCC-YOLOv10n算法能够实现对玉米叶片病害小目标的精准检测与识别，为推动农业生产中玉米叶片病害检测提供了参考依据。

［目的/意义］ 针对集约化农业中土壤退化与规模化生产间的矛盾，以黑龙江省富锦市为例，构建地块尺度的种植规划方法。该方法旨在协同优化作物连片布局、土壤恢复、实际生产及经济收益，同时保障国家大豆种植任务。 ［方法］ 基于遗传算法框架，融合连通分量分析，构建了多目标优化模型，综合考虑了收益、大豆种植、连片指数、轮作效益，以及水田-旱田转换5项指标。通过拉丁超立方体采样方法（Latin Hypercube Sampling, LHS）生成高质量的初始种群，并设计了基于连通分量的交叉策略和混合变异策略。利用Distributed Evolutionary Algorithms in Python（DEAP）库实现优化效果，并通过4年的模拟来验证其性能。 ［结果和讨论］ 优化方案显著提升连片指数，从0.48大幅增加并稳定至0.90以上，地块碎片化减少；经济效益保持动态稳定，始终在0.70附近波动，没有出现大幅下降情况；大豆种植面积稳定满足国家设定的阈值，同步实现战略扩种，从0.21增长至0.54；最小化地块属性转换的优化目标考虑了实际生产的因素，取得了良好效果，与轮作收益达到了良好的平衡。 ［结论］ 本方法通过智能算法衔接微观布局与宏观政策，为黑土地保护与生产效益平衡提供量化技术路径。研究成果可为东北粮食主产区种植结构优化、高标准农田建设提供决策支持。

［目的/意义］ 新鲜果蔬在贮藏、运输过程中容易因微生物繁殖、酶活性变化等发生品质劣变，传统检测方法具有破坏性、耗时长且难以满足实时监测需求。本研究旨在开发基于荧光成像与嵌入式技术的果蔬品质劣变检测系统，解决现有光学检测设备价格昂贵、便携性不足的问题。 ［方法］ 开发的荧光成像检测系统采用现场可编程门阵列板（型号：ZYNQ XC7Z020）为主控单元，紫外发光二极管灯珠（365 nm, 10 W）为激发光源，互补金属氧化物半导体（Complementary Metal-Oxide-Semiconductor, CMOS）相机为荧光图像采集传感器，实现荧光图像的采集和处理；在此基础上，构建了一种基于改进YOLOv8的轻量化目标检测模型。改进模型以MobileNetV4为主干网络，通过批归一化层（Batch Normalization, BN）的通道剪枝技术实现了模型的轻量化；结合ZYNQ硬件资源特性，采用动态16位定点数量化硬件加速优化方法，从而加快实现果蔬品质的等级分类。 ［结果和讨论］ 以葡萄和菠菜两种常见果蔬为样本，通过检测其荧光图像中劣变特征，系统对新鲜、次新鲜、腐败三级分类平均精确度达95.91%。 ［结论］ 开发的荧光成像检测系统具有较高的精度与良好的响应速度，为果蔬品质的无损检测提供了一种低成本、高效率的方案。

［目的/意义］ 灰茶尺蠖（Ectropis grisescens）幼虫对茶树的危害是当前茶叶生产面临的主要生物胁迫之一，实现其早期精准检测具有重要的生产实践意义。 ［方法］ 提出了一种融合可控扩散模型与目标检测深度学习框架的高效识别方法，用于茶树冠层中灰茶尺蠖幼虫4个龄期的实时检测。研究构建了3级检测体系：全龄期检测（1~4龄）、虫龄段检测（1~2龄与3~4龄分组），以及精准龄期检测（各龄期独立识别）。研究引入可控扩散模型，创新性地提出数据集优化与高质量图像筛选策略，旨在提升YOLO系列模型（YOLOv8、v9、v10、v11）在灰茶尺蠖数据集上的检测性能。 ［结果与讨论］ 全龄期检测中YOLO系列模型的最佳平均mAP50达到0.904，虫龄段检测的最佳平均mAP50为0.862，精准龄期检测的最佳平均mAP50为0.697。值得注意的是，可控扩散模型的引入使YOLO系列模型的性能获得普遍提升，其中YOLOv10在3类检测任务中的提升最为显著（配对t检验，p<0.05），平均mAP50从0.811提升至0.821。综合比较发现，YOLOv9在灰茶尺蠖检测中表现最优，其3类检测任务的平均mAP50达0.826，F₁值为0.767。 ［结论］ 本研究证实，基于可控扩散模型与深度学习相结合的创新方法，能够有效实现田间灰茶尺蠖幼虫各龄期的精准识别，为茶园灰茶尺蠖智能监测提供了可靠的理论基础和技术支撑。

［目的/意义］ 针对肉牛互相遮挡导致难以有效获取关键特征信息，造成检测精度受限的问题，提出了一种肉牛目标检测算法YOLOv12s-ASR（YOLOv12s-AKConv SEAM Repulsion）。 ［方法］ 首先，利用可改变核卷积替代部分标准卷积，充分捕获被遮挡部分的局部特征；然后，融合自集成注意力机制，通过结合空间注意力和特征增强机制，充分捕获全局上下文信息；最后，引入排斥损失函数对原损失函数进行补充，减少因非极大值抑制阈值选取不当造成的漏检或误检，提高模型的检测精度。 ［结果和讨论］ 在自建肉牛数据集上，YOLOv12s-ASR算法的平均精度均值达到89.3%，相比于YOLOv12s算法提高了1.3个百分点，并优于其他主流目标检测方法；同时模型参数量仅有8.5 MB，算法检测速度达到136.7 FPS。 ［结论］ 本研究提出的改进算法YOLOv12s-ASR能够实时准确地检测肉牛目标。