［目的/意义］ 水稻智慧无人农场是智慧农业的重要应用领域，代表了水稻生产现代化的关键路径，旨在推动农业的高质量发展。水稻智慧无人农场依托物联网、人工智能等先进信息技术，通过数据驱动和智能装备的集成，构建了涵盖水稻种植、管理、收获的全程无人化生产体系，提高水稻生产的效率和质量，降低生产成本。 ［进展］ 本文系统梳理了水稻智慧无人农场在产前、产中和产后三个主要环节的关键技术，包括高标准农田建设、无人育苗、土地平整、土壤养分检测、水稻旱直播、自动化插秧、精准变量施肥、田间病害诊断、智慧灌溉、水稻估产、无人收割及稻谷储藏、加工品质检测等。 ［结论/展望］ 通过对近年来国内外水稻智慧无人农场建设的案例进行综述，进而总结了无人农场关键技术在实际应用中面临的主要难点，分析了智慧无人农场在建设中所遇到的挑战，对政府、企业、科研机构、合作社等主体在推动水稻智慧无人农场建设中的角色和责任进行了总结，并提出了相关建议，为中国水稻智慧无人农场建设提供一定的支撑和发展思路。

［目的/意义］ 随着科学技术的快速发展和劳动力成本的不断提高，机器人在设施农业领域的应用越来越广泛。设施环境复杂多样，如何让机器人实现稳定、精准、快速地导航仍然是当前需要解决的问题。［进展］本文基于设施农业智能机器人的自动导航关键技术展开综述。在自主定位与地图构建方面，详细介绍了信标定位、惯性定位、即时定位与建图技术，以及融合定位方法。其中，依据使用的传感器不同，即时定位与建图技术可进一步划分为视觉、激光和融合三种不同类型。在全局路径规划方面，探讨了点到点局部路径规划和全局遍历路径规划在设施农业中的应用。针对规划目标数量的不同，详细介绍了单目标路径规划和多目标路径规划。此外，在机器人的自动避障技术方面，讨论了一系列设施农业中常用的避障控制算法。［结论/展望］ 总结了当前设施农业智能机器人自动导航技术面临的挑战，包括复杂环境、遮挡严重、成本高、作业效率低、缺乏标准化平台和公开数据集等问题。未来研究应重点关注多传感器融合、先进算法优化、多机器人协同作业，以及数据标准化与共享平台的建设。这些方向将有助于提升机器人在设施农业中的导航精度、效率和适应性，为智能农业的发展提供参考和建议。

［目的/意义］ 在大田作业、野外放牧、果园采收等典型农业应用场景下，多机器人（包括移动式智能农机装备等）高精度快速协同同步定位与建图（Simultaneous Localization and Mapping, SLAM）是智慧农业乃至无人农场的关键基础和核心支撑。与单机器人SLAM相比，多机器人协同SLAM具有精度高、范围广、实时性强、扩展性好等优势，但在农业种植和养殖等自然复杂环境下，由于场景动态可变、地形复杂多变、环境丰富多样、通信约束受限等多重因素叠加影响，尚存在诸多问题与挑战。 ［进展］ 现有研究主要是从通用基础技术的视角对多机器人SLAM的研究脉络、优缺点、适用条件和关键核心问题等方面进行总结归纳，但缺乏针对农业复杂场景特性的剖析。本研究面向农业复杂场景的主要特征，以“多传感器数据融合—协同定位—协同建图—回环检测”为关键技术主线，分析了多机器人协同SLAM的优缺点及其在农业领域的适用性；从多机器人协同作业的视角，明晰了集中式、分布式和混合式三种主要协同框架的优势、局限性及适用的典型农业应用场景；进而探讨了农业复杂场景下多机器人SLAM存在的多传感器融合精度偏低、协同通信环境受限、相对位姿估计准确性不高等突出问题。 ［结论/展望］ 从优化数据融合底层算法、融合深度学习和强化学习、引入大语言模型、应用数字孪生技术等方面，对农业复杂环境下多机器人SLAM的未来发展方向和趋势进行了展望。

【目的/意义】 在农业生产的后期，对干制黄花菜等级进行准确分类至关重要。针对现有目标检测模型在干制黄花菜分级任务中精度不足及参数过多的问题，提出一种轻量级的YOLOv10-AD网络模型。 【方法】 该模型设计了全新的骨干网络AKVanillaNet，针对干制黄花菜的特殊形状特征进行了优化，显著提升了检测精度，同时降低了模型的参数和计算成本。此外，还将DysnakeConv模块嵌入C2f结构中，进一步增强了对干制黄花菜特征的提取能力，并通过采用Powerful-IOU（PIOU）损失函数，更好地拟合数据，提升模型性能。 【结果和讨论】 在干制黄花菜等级分类的数据集上的测试结果表明，YOLOv10-AD模型的平均准确率mAP（Mean Average Precision）达到了85.7%，其参数量、计算量和模型大小分别为2.45 M、6.2 GFLOPs和5.0 M，帧率FPS（Frames Per Second）为156。与基准模型相比，YOLOv10-AD不仅将mAP提升了5.7%，FPS提升了25.8%，同时还将参数量、计算量及模型大小分别降低9.3%、24.4%和9.1%，不仅提升了检测精度，还降低了模型的部署难度。 【结论】 提出的YOLOv10-AD网络模型能够在不同光照条件下对干制黄花菜进行精准分类，且具有较好的实时性，为干制黄花菜等级的智能分类提供了有效的技术参考。

［目的/意义］ 采摘机器人是智慧农业的重要组成部分，其感知、规划、控制相关基础方法理论目前已有系统化研究。然而，构建具备全果园“感知-移动-采摘”一体化作业能力的实用型采摘系统仍面临诸多挑战。针对该问题，本文调研并报道了本领域近期案例，将全果园自主作业的关键技术划分为局部目标感知、全局地图构建和自主作业行为规划三个子问题并进行综述。［进展］首先回顾了近距离、局部范围内水果目标的精细视觉感知方法，包括基于低级特征融合、高级特征学习、RGB-D信息融合，以及多视角信息融合的4种方法；介绍与分析了全局尺度下的果园地图构建与大规模场景视觉感知案例；在感知的基础上，调研分析采摘机器人自主作业行为规划方法，包括底盘移动路径规划、机械臂视点规划与避障路径规划等方面的最新研究；最后对采摘机器人自主作业系统构建案例进行报道与分析。［结论/展望］感知、移动、采摘模块的高效协同是实现采摘机器人从基础功能样机进一步迈向实用型机器的关键，已有的视觉感知、规划与控制算法的鲁棒性与稳定性均需增强，协同程度需进一步提高。此外，提及了采摘机器人应用的几个开放性研究问题，并描述了其未来发展趋势。

【目的/意义】 为解决奶牛在行走过程中出现滑蹄姿态无法自动识别检测的问题，基于深度学习的方法对奶牛身体关键点进行定位分析，实现对奶牛滑蹄姿态的自动检测。 【方法】 选取奶牛四蹄及头部作为奶牛身体关键点，基于DeepLabCut（DLC）对奶牛四蹄及头部关键点进行定位，首先选取ResNet系列、MobileNet-V2系列、EfficientNet系列等10个网络模型替换DLC的主干网络，最终选取准确率最高的ResNet-50作为DLC的主干网络，随后选择轻量级的卷积块注意力模块（Convolutional Block Attention Module, CBAM）嵌入ResNet-50的网络结构中，完成对ResNet-50网络模型的改进。通过改进后的模型得到奶牛身体关键点坐标，绘制奶牛四蹄及头部运动曲线。利用奶牛身体关键点运动曲线进行分析，提取奶牛滑蹄姿态的特征参数Feature1、奶牛滑蹄距离的特征参数Feature2。基于决策树对提取的奶牛滑蹄姿态特征参数进行模型的训练和验证。利用提取的奶牛滑蹄特征参数对奶牛的滑蹄距离进行计算，同时人工对奶牛滑蹄距离进行标定，与预测的滑蹄距离进行比较。 【结果和讨论】 改进后的ResNet-50网络相较于ResNet-50在验证集的定位准确率提高了9.7%，相较于YOLOv8s-pose的定位精准度提高了1.06 pixels，与手动标识的身体关键点之间的均方根误差（Root Mean Square Error, RMSE）仅为2.99 pixels。采用10折交叉验证对奶牛滑蹄检测模型的效果进行评估，结果表明，该模型的平均准确率、精确度、召回率和F₁分数分别为90.42%，0.943，0.949和0.941。基于特征参数Feature2计算的奶牛滑蹄距离与人工标定奶牛滑蹄距离的RMSE仅为1.363 pixels。 【结论】 融合CBAM模块改进的ResNet-50网络模型对奶牛身体关键点定位的准确率较高，基于滑蹄判断特征参数Feature1和滑蹄距离检测特征参数Feature2建立的奶牛滑蹄判断模型和奶牛滑蹄距离预测模型与人工检测的结果相比，都有较小的误差，这表明该方法有较好的准确性，可以为奶牛滑蹄自动检测工作提供技术支持。

[目的/意义] 智慧农业科技是农业领域又一次新技术革命，具备农业新质生产力“高科技、高效能、高质量、可持续”的内在特征，已成为推进农业新质生产力发展的重要内核与引擎。［进展］本文对智慧农业科技创新的现实基础、内在逻辑与问题挑战开展系统研究，结论表明中国“表型+基因型+环境型”智能育种已迈入快车道，农业天、空、地信息感知技术体系逐渐成熟，农业大数据与智能决策技术研究探索不断推进，面向不同领域的智能农机装备创制取得丰硕成果。智慧农业科技创新通过赋能农业要素、技术、场景、主体与价值，推动农业新质生产力发展。但也面临科技创新政策体系不健全、关键技术存在卡点堵点断点、科创成果转化落地难度较大、支撑体系不够完备等重大挑战。［结论/展望］聚焦问题导向，提出了中国智慧农业科技创新平台、技术、场景、人才的“四高”路径，并围绕顶层设计、政策供给、先行实践、生态体系等层面，提出智慧农业科技创新引领农业新质生产力发展的对策建议。

［目的/意义］ 利用数字孪生技术实现对无人农场的实时监管和虚实映射控制是新一代农业信息化技术的核心需求之一，但由于蔬菜生长模型过于复杂，难以在数字孪生平台中建立作物预期模拟，因此结合人工智能技术实现作物生长自动建模成了领域迫切需要的关键技术。 ［方法］ 在蔬菜作物数字孪生平台中引入大语言模型技术，通过预训练大语言模型的推理能力实现蔬菜生长数字孪生平台中准确的蔬菜作物生长模拟。为了使大语言模型具有关于蔬菜作物生长的更多知识和推理能力，首先收集了大量连续的蔬菜生长数据，用于预训练和指令微调；随后设计了阶段式大语言模型智能体集合，由一个预测蔬菜生长阶段的管理型智能体和负责各个阶段的智能体组成，根据数字孪生平台提供的实时数据对蔬菜作物生长进行建模。 ［结果和讨论］ 根据气候、土壤、灌溉、施肥、病虫害、生长日期等蔬菜生长状态信息，所建模型能够预测次日的作物长势，且能根据数字孪生平台的作物管理模拟实现几天甚至几个月的长势预测。通过十折交叉验证证明，该方法使得大语言模型在进行蔬菜作物生长建模时的准确率达到98%，蔬菜生长阶段识别准确率高达99.7%。 ［结论］ 研究表明大语言模型能够在特定数据微调后，实现对于数字孪生平台中作物生长的一般性推理，且能平滑过渡到作物生长的不同阶段。

目的/意义 荔枝虫害的精准识别有助于实施有效的防治策略，推动农业的可持续发展。为提高荔枝虫害的识别效率，本研究提出一种基于改进YOLOv10n的轻量化目标检测模型YOLO-LP（YOLO-Litchi Pests）。 方法 首先，优化主干网络（Backbone）的C2f模块，使用全局到局部空间聚合模块（Global-to-Local Spatial Aggregation, GLSA）构建C2f_GLSA模块，实现对小目标的高效聚焦，增强目标与背景的区分能力，同时减少参数量和计算量。其次，在颈部网络（Neck）引入频率感知特征融合模块（Frequency-Aware Feature Fusion, FreqFusion），设计频域感知路径聚合网络（Frequency-Aware Path Aggregation Network, FreqPANet），有效解决目标边界模糊和偏移的问题，并进一步轻量化模型。最后，使用SCYLLA-IoU（SIoU）损失函数替代Complete-IoU（CIoU）损失函数，优化目标定位精度并加速模型训练收敛过程。为了评估模型性能，本研究在自然环境和实验室环境的四种场景中，构建自建的荔枝虫害小目标数据集并进行测试。 结果和讨论 YOLO-LP在AP₅₀、AP_50：95、AP-Small_50：95分别达到了90.9%、62.2%和59.5%，较基线模型分别提高了1.9个百分点、1.0个百分点和1.2个百分点。同时，模型的参数量和计算量分别减少13%和17%。 结论 YOLO-LP在精度和轻量化方面表现优越，为荔枝虫害检测的实际应用提供了有效的参考。

【目的/意义】 苹果是中国重要的农产品，为了保障苹果的健康生长，降低其患病率，研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题，提出一种基于改进YOLOv8的苹果叶病害检测算法。 【方法] 选用YOLOv8n模型对苹果在生长期间的多种病害（褐腐病、褐纹病、黑星病和锈病）进行识别。引入SPD-Conv替代传统卷积层，降低模型参数量和运算量的同时提高检测精度。在Neck层中添加多尺度空洞注意力机制（Multi-Scale Dilated Attention, MSDA），使模型通过动态感受野自适应地聚焦于图像中的关键区域，增强病害特征提取能力。此外，参考重参数化卷积神经网络（Reparameterized Convolutional Neural Network, RepVGG）架构，优化了原有检测头，实现检测和推理过程的架构分离，加快了模型的推理速度，提升了其特征学习能力。最后，构建了一个包含上述病害的苹果叶片数据集，并在此数据集上进行试验。 【结果和讨论] 改进后的模型在运算量降低0.1 G的同时，mAP50和mAP50∶95分别达到了88.2%和37.0%，较原模型分别提高了2.7%和1.3%，模型大小仅为7.8 MB。准确率和召回率分别为83.1%和80.2%，较原模型分别提升了0.9%和1.1%。分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验，结果表明，提出的YOLOv8n-SMR模型表现出优异性能，有效控制了计算复杂度和参数量。优化后的网络结构在模型大小，浮点运算次数和参数量上均保持较低水平，适合在无人机系统等硬件资源受限设备上高效部署。 【结论] 改进后的模型能够实现对苹果叶病害的准确检测，该方法不仅提高了检测精度，还通过轻量化设计有效减少了模型的运算量，为后续的苹果生长和果实收集提供可靠的数据支持，并为进一步苹果叶病害研究和探索提供了有利的参考。

【目的/意义】 单株有效分蘖数是影响水稻产量的重要农艺性状之一，为解决水稻分蘖密集、相互遮挡且存在无效分蘖导致有效分蘖检测成本高、精度较低的问题。 【方法】 通过对水稻有效分蘖与无效分蘖高度的调查分析，提出一种基于水稻分蘖高度的有效分蘖计数方法，即在水稻固定高度收割后，测量茎秆数量以得到水稻有效分蘖数；通过GhostNet对YOLOv8模型进行轻量化，以减小模型规模，便于手机端部署；并基于此模型，开发手机端水稻有效分蘖检测程序。 【结果和讨论】 田间实验结果表明，在水稻植株总株高的52%~55%范围内进行收割，计数茎秆数量得到有效分蘖数，其查全率与准确率均超过99%；轻量化的Ghost-YOLOv8模型参数量减少43%；基于该模型的水稻有效分蘖App，对本研究标准下采集的100张茎秆横截面图像进行预测，准确率为99.61%，召回率为98.76%，与人工计数单株有效分蘖结果相比，决定系数为0.985 9。 【结论】 满足田间水稻有效分蘖计数需求，有助于育种专家收集大量数据，为水稻产量田间预测提供基础。

【目的/意义】 快速、准确地统计密集种植的苗木数量对苗木经营管理具有重要意义。为解决无人机航拍的密集种植苗木图像中苗木粘连、尺度差异大的问题，提出以点标签数据为监督信号的改进密集检测计数模型（Locate, Size and Count, LSC-CNN），同时实现苗木的检测和计数。 【方法】 改进的LSC-CNN模型通过将LSC-CNN模型特征提取网络的最后一层卷积替换为扩张卷积（Dilated Convolutions, DConv），实现在保留苗木细节特征的同时扩大感受野，帮助模型更好地理解上下文信息以区分粘连苗木。此外，在多个尺度分支前引入注意力机制（Convolutional Block Attention Module, CBAM）使模型聚焦于有助于苗木检测和计数的关键特征，以更好地适应不同尺度的苗木。为解决类别不平衡问题，提高模型的泛化能力，将损失函数替换为标签平滑交叉熵损失函数。 【结果和讨论】 经测试，改进LSC-CNN模型在456幅苗木图像的测试集上的平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和平均计数准确率（Mean Counting Accurate, MCA）分别为14.24株、22.22株和91.23%，三项指标均优于IntegrateNet、PSGCNet、CANet、CSRNet、CLTR和LSC-CNN模型。 【结论】 改进LSC-CNN模型能够准确实现密集种植苗木的检测和计数，适用于多种树木的检测和计数工作。

【目的/意义】 大范围快速检测土壤养分并实现基于GF-5影像对土壤总氮量精准填图。 【方法】 基于实测土壤光谱和GF-5星载高光谱数据，引入偏最小二乘回归（Partial Least Squares Regression, PLSR）、反向神经网络（Back Propagation Neural Network, BPNN）和以核函数Poly为驱动支持向量机（Support Vector Machine, SVM）的机器学习算法，构建3种土壤总氮（Total Nitrogen, TN）反演模型，并以十折交叉验证方法确定各模型的最优解。采用多元散射校正（Multiple Scattering Correction, MSC）获取的波段特征值使模型表现更佳。 【结果和讨论】 MSC-Poly-SVM模型经测试集样本检验，其决定系数（R²）、均方根误差（Root Mean Squared Error, RMSE）和相对分析误差（Residual Prediction Deviation, RPD）分别是0.863、0.203和2.147。将该模型用于星载GF-5号影像数据进行土壤总氮含量的反演填图。由填图结果可见，黑龙江省富锦市建三江垦区86.1%的土地总氮量均在2.0 g/kg以上，土地氮含量以一等地块和二等地块为主，而三等地块和四等级地块仅占总面积的11.83%。研究区内土壤氮要素储备充足，总氮高背景值主要集中在中部靠近河流两岸、呈北东东向分布。本研究土壤总氮预测成图结果与前人1∶25万地球化学插值和航空高光谱影像（Compact Airborne Spectrographic Imager, CASI）和（Shortwave Infrared Airborne Spectrographic Imager, SASI）填图效果具有很好的一致性。 【结论】 研究表明星载GF-5高光谱数据在土壤全氮含量监测填图和可视化分析上具有极高的潜力，本研究提出方法可为今后大范围开展定量检测土壤养分状况以及合理施肥提供技术支撑。

【目的/意义】 随着农业信息化和智能化的快速发展，多模态人机交互技术在农业领域的重要性日益凸显。本研究提出了一种基于多模态融合的大模型架构Agri-QA Net，旨在针对甘蓝作物的农业知识，设计多模态专业问答系统。 【方法】 该模型通过整合文本、音频和图片数据，利用预训练的BERT（Bidirectional Encoder Representations from Transformers）模型提取文本特征，声学模型提取音频特征，以及卷积神经网络提取图像特征，并采用基于Transformer的融合层来整合这些特征。此外，引入跨模态注意力机制和领域自适应技术，增强了模型对农业领域专业知识的理解和应用能力。本研究通过收集和预处理甘蓝种植相关的多模态数据，训练并优化了Agri-QA Net模型。 【结果和讨论】 实验评估表明，该模型在甘蓝农业知识问答任务上表现出色，相较于传统的单模态或简单多模态模型，具有更高的准确率和更好的泛化能力。在多模态输入的支持下，其准确率达到了89.5%，精确率为87.9%，召回率为91.3%，F₁值为89.6%，均显著高于单一模态模型。 【结论】 案例研究展示了Agri-QA Net在实际农业场景中的应用效果，证明了其在帮助农民解决实际问题中的有效性。未来的工作将探索模型在更多农业场景中的应用，并进一步优化模型性能。

【目的/意义】 为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题，本研究提出了一种新的检测模型：Multi-Strategy Handling YOLOv8（MSH-YOLOv8）。 【方法】 该模型在YOLOv8的基础上增加一个检测头，以提高小尺度目标敏感度；引入Swin Transformer的检测结构到头部网络，以减少计算冗余；引入包含可变形卷积的C2f_Deformable Convolutionv4（C2f_DCNv4）结构和Swin Transformer编码器结构重构YOLOv8主干网络，优化并增强其特征传递和提取能力，提高小目标敏感度；采用基于规范化的注意力模块（Normalization-based Attention Module, NAM）优化网络检测速度和准确性；用Wise-Intersection over Union Loss（WIoU）代替原损失函数，以提高训练效果和收敛速度；在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法（Soft-Non-Maximum Suppression, Soft-NMS）、加权边界框融合算法（Weighted Boxes Fusion, WBF）等方法，提高尺度变化下小目标检测效果。以蘑菇为研究对象，在开放数据集Fungi上开展实验。 【结果和讨论】 MSH-YOLOv8的平均正确率（Average Precision50, AP50）和AP@50-95分别达到了98.49%和75.29%，其中小目标检测指标值APs达39.73%。相较于主流模型YOLOv8，三项指标分别提高了2.34%，4.06%和8.55%；相较于优秀模型Transformer Prediction Heads-YOLOv5（TPH-YOLOv5），三项指标分别提高了2.14%，2.76%和6.89%。 【结论】 本研究提出的MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。

［目的/意义］ 智能农机是田间机器人发展的新趋势。作物行提取是智能农机自主作业的重要环节，对于提高田间作业效率、减少作物损害、优化资源利用具有重要意义。然而，在复杂的田间环境中，如强烈的光照和杂草干扰，传统的作物行检测方法往往难以达到高精度和高效率。为了应对这些挑战，本研究旨在提高无人农机在复杂光照和杂草干扰下的苗期玉米行检测精度与效率，从而减少作物损害。 ［方法］ 提出一种基于YOLOv8-G的作物行检测方法，结合了YOLOv8-G目标检测算法、亲和传播聚类算法，以及最小二乘法。YOLOv8-G是在YOLOv8和GhostNetV2基础上改进的轻量级目标检测算法，通过提取玉米苗的中心点位置，利用亲和传播算法进行聚类分析，并通过最小二乘法拟合作物行。［结果与讨论］ YOLOV8-G算法在玉米苗期的7天、14天和21天时的平均准确率（Average Precision, AP）分别为98.22%、98.15%和97.32%。该算法在玉米苗期的作物行提取准确率达到96.52%。相比传统检测方法，YOLOv8-G在处理复杂背景和强光照条件下表现更为优异，且计算效率有一定提升。 ［结论］ 提出的基于YOLOv8-G的作物行检测方法能够在复杂光照条件和杂草干扰下快速准确地识别田间作物并模拟协同目标行，不仅为无人农机的自动导航提供有力支持，还能高效适配嵌入式设备，在提升农业自动化、减少人工操作和降低作物损害的同时，为智能农机的实时作业提供技术保障，具有重要的应用价值。

【目的/意义】 为了智能监测农业地物种类分布情况，一般采用无人机搭载高光谱相机进行高光谱数据采集，之后对高光谱数据分类，实现农作物分布图自动绘制。但不同农作物外形相似，同一农作物不同生长期差别较大，所以对农业地物分类的网络模型要求较高。分类精度较高的网络模型往往复杂程度较高，无法部署在硬件系统中。针对以上问题，本研究提出一种轻量化高低频增强的ReluformerN网络（Reluformer Network）实现农业地物分类。 【方法】 首先提出自适应八倍频卷积，不仅可以对高光谱图像的空间和光谱频域特征进行提取，同时缓解了内部人工参数设置带来的影响。其次针对低频信息可以捕获全局特征的特点，提出Reluformer进行全局特征提取，Reluformer相比transformer具有线性计算复杂度，有利于网络轻量化的同时保持了提取全局特征的能力。将该网络在三个公开的有关农作物品种精细分类的高光谱数据集上进行实验，并与较为流行的五种分类网络进行对比。 【结果和讨论】 ReluformerN在整体精度（Overall Accuracy, OA）、平均精度（Average Accuracy, AA）等精度评价指标中表现较好。在模型参数量（Parameters）、模型计算量（FLOPs）模型复杂度评价指标中，ReluformerN参数量最小，计算量最低。 【结论】 本研究提出的ReluformerN网络在农作物品种分类精度和模型复杂度之间达到了较好的平衡，有望后续部署在资源有限的硬件系统中，实现地物实时分类功能。

【目的/意义】 为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题，本研究提出了一种基于大语言模型的个性化作物生产智能决策方法 【方法】 通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求，涵盖产量、人力资源消耗和水肥消耗等方面。随后，将作物管理过程建模为多目标优化问题，同时考虑用户个性化偏好和作物产量，并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新，学习在不同条件下采取何种行动以实现最优决策，从而实现个性化的作物管理。 【结果和讨论】 在gym-DSSAT（Gym-Decision Support System for Agrotechnology Transfer）仿真平台上进行的实验，结果表明，所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。 【结论】 通过精准捕捉用户的个性化需求，该方法在保证作物产量的同时，优化了人力资源与水肥资源的消耗。

［目的/意义］ 针对水面膨化饲料的图像在水产养殖水体中存在水体浑浊导致饲料与背景对比不明显、光照不均匀、鱼群抢食引起的水花导致饲料重叠粘连以及增氧设备产生的气泡遮挡饲料成像等问题，提出一种高效的水面膨化饲料图像检测YOLOv11-AP2S模型，为水产集约化养殖模式下的智能投喂决策提供准确依据。 ［方法］ 在YOLOv11的骨干网络的第10层C2PSA后增加细粒度分类的注意力机制（Attention for Fine-Grained Categorization, AFGC），将C3k2模块替换为VoV-GSCSP模块，以及在YOLOv11的基础上增加P2层。为了保持模型的实时性，在P2层使用轻量级的VoV-GSCSP模块进行特征融合。在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度，提出YOLOv11-AP2S水面膨化饲料实时检测模型。 ［结果与讨论］实验结果显示，YOLOv11-AP2S模型在识别精确度、召回率上均达到了78.70%，IoU阈值为0.5时的平均精度值（mAP50）高达80.00%， F₁分数也达到了79.00%。与原YOLOv11网络相比，这些指标分别提高了提高6.7个百分点、9.0个百分点、9.4个百分点和8.0个百分点。与其他YOLO模型相比，YOLOv11-AP2S模型在自制数据集上的检测结果也具有明显优势，且在同等迭代次数下具有更高的平均精度均值和更低的损失。 ［结论］ YOLOv11-AP2S模型能够通过摄像头对水面膨化饲料颗粒的剩余情况进行实时检测，进而实现对鱼群摄食行为的准确观测与分析，为智慧渔业精准投喂的研究和应用提供有力支持。

[目的/意义] 随着自动化、数智化技术的快速发展及其相关技术在肉牛养殖上的逐步推广利用，肉牛智能化养殖技术研究也取得了一定进步。肉牛的生理指标如运动量、体温、心率、呼吸频率，以及反刍量等变化反映了肉牛的健康或亚健康状态。基于多种传感器采集到的数据以及机器学习、数据挖掘及模型化分析等技术的利用，肉牛的生理指标可由智能感知装备尤其接触式设备自动获取并用于发情、产犊、健康和应激的监测。［进展］针对肉牛养殖过程生理指标的智能监测技术及其利用价值进行了系统分析，分析了生理指标监测技术在实际生产中的应用现状，总结了肉牛生理指标监测的难点和挑战，并提出了未来发展方向。［结论/展望］肉牛生理指标的智能监测与利用既提高数据采集的时效性和准确性，有利于提高一线人员工作效率，促进肉牛养殖的智能化水平及健康养殖水平。结合当前中国肉牛实际饲养现状和肉牛生理指标智能监测传感器的研究现状，未来需降低接触类相关设备能耗、提高使用寿命；提高各监测数据的相互融合深度分析，提高监测准确率；加强非接触、高精度、自动化的数据采集分析技术研发，减少人工佩戴设备的工作量和设备使用成本。

［目的/意义］ 为提炼区域智慧农业高质量发展的典范案例，并为国家智慧农业事业持续进步贡献策略，深入探究长江经济带智慧农场时空特征及关键驱动因子。 ［方法］ 基于2014—2023年11省（市）数据，用核密度分析、空间自相关及标准差椭圆方法全面剖析长江经济带智慧农场时空分异特征，并用地理探测器从7个维度考察关键因子及其交互作用。 ［结果和讨论］ 长江经济带智慧农场数量10年间稳步增长，2016年为重要转折点；空间布局呈分散集聚特征，以H-L型和L-H型集聚为主，分布省份略显繁杂；技术创新是时空分布格局形成的首要关键因素，因子解释度为0.311 1，与其他指标交互之后仍保持核心驱动地位。 ［结论］ 长江经济带智慧农场发展势头向好，子区域智慧农场的发展增速与水平呈“下游＞中游＞上游”的差异化特征；整体空间分布均衡，子区域分布均衡程度为“中游（湖北、湖南、江西3省均衡）＞下游（安徽主导）＞上游（四川，独占鳌头）”，智慧农场选址覆盖面持续扩张并形成“东北—西南”的横向扩散格局；时空分异格局形成是多因子综合作用的结果，因子解释力为：技术创新＞城镇化＞农业机械化＞人力资本＞互联网基础＞产业依赖＞专项财政支持，且因子交互作用时影响力会进一步得到强化。

【目的/意义】 农业干旱对中国农业生产发展具有消极影响，甚至威胁到粮食安全。为了降低灾害损失，保障中国的作物产量，根据标准化土壤湿度指数（Standardized Soil Moisture Index, SSMI）对农业干旱进行准确预测和等级分类具有重要意义。 【方法】 基于遥感数据，采用深度学习相关模型实现了农业干旱预测。首先，考虑了农业干旱的空间特点，提出了一种结合图神经网络、双向门控循环单元（Bi-Directional Gated Recurrent Unit, BiGRU）和多头自注意力机制的农业干旱预测模型GCN-BiGRU-STMHSA（Graph Convolutional Networks-Bidirectional Gated Recurrent Unit-Spatio-Temporal Multi-Head Self-Attention）。其次，使用日尺度的SSMI作为农业干旱指标。最后，根据搭建的GCN-BiGRU-STMHSA模型实现对SSMI的精准预测和分类。采用全球陆地数据同化系统2.1（Global Land Data Assimilation System-2.1, GLDAS-2.1）为数据集，在该数据集上训练GCN-BiGRU-STMHSA模型，以预测SSMI值并进行农业干旱等级分类。并与经典深度学习模型进行了比较。 【结果和讨论】 实验结果表明，GCN-BiGRU-STMHSA模型结果优于其他模型。在5个研究地点中，固始县数据集上误差最小，预测10天后的SSMI时，其平均绝对误差（Mean Absolute Error, MAE）为0.053、均方根误差（Root Mean Square Error, RMSE）为0.071、决定系数（Coefficient of Determination, R²）为0.880，准确率（Accuracy, ACC）为0.925，调和平均值（ F₁）为0.924。预测步长越短，预测的效果越好，当预测步长为28天时，模型预测干旱分类表现依然良好。 【结论】 该模型在农业干旱预测和分类任务中具有更高的精度和更好的泛化能力。

【目的/意义】 名优茶的采摘是茶产业中至关重要的环节，识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长，以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景，提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。 【方法】 对传统的DeepLabV3+算法进行轻量化改进。首先，针对其模型体量大、训练时间长的问题，使用MobilenetV2网络提取图像的初始特征，并按照网络结构划分深浅层特征；其次，将高效通道注意力网络（Efficient Channel Attention Network, ECANet）与空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling, ASPP）模块结合，得到ECA_ASPP模块，并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息，将经过处理后的深浅层特征相加，随后通过卷积和上采样的方式对特征信息进行还原，得到分割结果；最后，通过对识别结果进行处理以获得茶叶嫩芽采摘点。 【结果和讨论】 改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%，平均像素准确率达到97.25%，模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。 【结论】 本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小，同时保证了较高的准确率，为智能采茶机器人的采摘提供了新的定位方法。

【目的/意义】 在全球气候变暖的大背景下，准确确定冬小麦的适宜播种期对于提高小麦产量、保障国家粮食安全具有重要意义。本研究旨在对县级镇在气候变暖长时间序列影响下冬小麦适宜播种期进行分析。 【方法】 本研究以山东省齐河县为研究区域，基于1997—2022年的欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）再分析数据，首先，采用温度阈值法确定稳定通过18、16、14和0 ℃终日的日期，并从不同小麦品种的适宜播种温度、不同日期播种至越冬前≥0 ℃的积温、适播期历年日平均气温等关键播期指标对冬小麦适宜播种期进行统计分析；其次，利用叶龄积温法对冬前壮苗所需合适积温的日期进行测算；最后，结合实际生产实践情况，确定气候变暖趋势下齐河县各乡镇冬小麦的适宜播种期。 【结果和讨论】 从小麦适宜播种温度、播种至小麦越冬停止生长0 ℃的积温等农业气象指标，以及考虑齐河县种植的冬小麦品种，得出齐河县冬小麦适宜播种期为10月3日—10月16日，最佳播种期为10月5日—10月13日。但具体年份的适播期还需要依据当年的具体情况灵活播种。 【结论】 研究结果证明了温度阈值法和叶龄积温法在确定冬小麦适宜播种期研究中的可行性，通过温度变化趋势可判断冷冬或暖冬，及时调整播种时间以提高小麦产量，减少温度过高或过低对冬小麦的影响。本研究不仅可以为齐河县冬小麦产量评估提供决策参考，还可以为科学安排农业生产提供重要的理论依据。

[目的/意义] 天然牧场下放牧牲畜数量的准确检测是规模化养殖场改造升级的关键。为满足规模化养殖场对大批羊群实现精准实时的检测需求，提出一种高精度、易部署的小目标检测模型CSD-YOLOv8s（CBAM SPPFCSPC DSConv-YOLOv8s），实现无人机高空视角下小目标羊只个体的实时检测。 [方法] 首先，使用无人机获取天然草原牧场中包含不同背景及光照条件下的羊群视频数据并与下载的部分公开数据集共同构成原始图像数据。通过数据清洗和标注整理生成羊群检测数据集。其次，为解决羊群密集和相互遮挡造成的羊只检测困难问题，基于YOLO（You Only Look Once）v8模型构建具有跨阶段局部连接的SPPFCSPC（Spatial Pyramid Pooling Fast-CSPC）模块，提升网络特征提取和特征融合能力，增强模型对小目标羊只的检测性能。在模型的Neck部分引入了卷积注意力模块（Convolutional Block Attention Module, CBAM），从通道和空间两个维度增强网络的抗干扰能力，提升网络对复杂背景的抑制能力，进一步提高对密集羊群的检测性能。最后，为提升模型的实时性和可部署性，将Neck网络的标准卷积改为具有可变化内核的轻量卷积C2f_DS（C2f-DSConv）模块，减小了模型的参数量并提升了模型的检测速度。 [结果和讨论] 与YOLO、Faster R-CNN（Faster Regions with Convolutional Neural Networks）及其他经典网络模型相比，改进后的CSD-YOLOv8s模型在检测速度和模型大小相当的情况下，在羊群检测任务中具有更高的检测精度。Precision达到95.2%，mAP达到93.1%，FPS（Frames Per Second）达到87 f/s，并对不同遮挡程度的羊只目标具有较强的鲁棒性，有效解决了无人机检测任务中因羊只目标小、背景噪声大、密集程度高导致羊群漏检和误检严重的问题。公开数据集验证结果表明，提出的模型对其他不同物体的检测精度均有所提高，特别是在羊只检测方面，检测精度提升了9.7%。 [结论] 提出的CSD-YOLOv8s在无人机图像中更精准地检测草原放牧牲畜，对不同程度的聚集和遮挡目标实现精准检测，且具有较好的实时性，为养殖场大规模畜禽检测提供了技术支撑，具有广泛的应用潜力。

［目的/意义］ 为了提高葡萄采摘效率、做到葡萄采摘自动化，提出了3C-YOLOv8n目标检测模型，与RealSense D415深度相机结合，对葡萄进行识别和定位。 ［方法］ 首先对YOLOv8n主干网络进行改进，将卷积块注意力模块（Convolutional Block Attention Module, CBAM）与原本的网络结构融合，使模块全面捕获特征中的关键信息。再嵌入坐标注意力（Coordinate Attention, CA），既可以对一个通道的特征进行全面捕获，又可以对不同方向的特征进行敏锐感知。然后，在YOLOv8n颈部将最近邻插值上采样算法替换为内容感知特征重组算法（Content-aware ReAssembly of Features, CARAFE），弥补YOLOv8n的原始上采样模块没有利用特征图语义信息的缺点，增大了感受野。最后转换相机坐标系，将目标葡萄的二维平面坐标和距离深度相机的垂直距离结合，得到目标葡萄的世界坐标，实现葡萄的识别和定位。 ［结果和讨论］ 经过对比试验和消融试验，3C-YOLOv8n模型在并交比为0.5（IOU=0.5）的平均精度均值（Mean Average Precision, mAP）达到94.3%，高于YOLOv8n模型1%，准确率（Precision, P）和召回率（Recall, R）分别为91.6%和86.4%，3种改进策略的结合使损失初始值降低，曲线收敛更快。与其他主流YOLO系列算法对比，3C-YOLOv8n各个评价指标都有所提升，且漏检率、错检率为所有算法中最低，在实际检测中具有很大的优势。 ［结论］ 基于3C-YOLOv8n网络模型和RealSense D415深度相机，对葡萄进行精准识别和定位，为采摘自动化提供了技术手段。

目的/意义 针对水稻病害图像识别任务存在数据集获取困难、样本不足及不同类别病害样本不均衡等问题，提出了一种基于改进CycleGAN（Cycle-Consistent Adversarial Networks）的水稻叶片病害图像数据增强方法。 方法 以CycleGAN为基本框架，将CBAM（Convolution Block Attention Module）注意力机制嵌入到生成器的残差模块中，增强CycleGAN对病害特征的提取能力，使网络更准确地捕捉小目标病害或域间差异不明显的特征；在损失函数中引入感知图像相似度损失，以指导模型在训练过程中生成高质量的样本图像，并提高模型训练的稳定性。基于生成的水稻病害样本，在不同目标检测模型上进行迁移训练，通过比较迁移学习前后模型性能的变化，验证生成的病害图像数据的有效性。 结果和讨论 改进的CycleGAN网络生成的水稻叶片病害图像质量优于原始CycleGAN，病斑区域的视觉特征更加明显，结构相似性（Structural Similarity, SSIM）指标提升约3.15%，峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）指标提升约8.19%。同时，使用YOLOv5s、YOLOv7-tiny和YOLOv8s这3种模型在生成的数据集上进行迁移学习后，模型的检测性能均有提升，如YOLOv5s模型的病害检测精度从79.7%提升至93.8%。 结论 本研究提出的方法有效解决了水稻病害图像数据集匮乏的问题，为水稻病害识别模型的训练提供了可靠的数据支撑。

【目的/意义】 水稻是中国的主要作物之一，准确提取水稻面积对保障粮食安全、温室气体排放管理、水资源调配及生态保护至关重要。光学与微波遥感数据融合是水稻监测主要发展趋势，但现有研究大多依赖传统的物候学特征（如移栽期），忽视了植被和水体指数在水稻生长全过程中的整体动态变化特征。为了快速、准确地获取水稻种植分布、面积等信息，以中国典型水稻种植区—杭嘉湖平原为例，研发了一种基于Sentinel-1/2数据和Google Earth Engine（GEE）云计算平台的水稻种植面积提取方法，即NDVI-SDWI 动态融合水稻识别方法（Dynamic NDVI-SDWI Fusion Method for Rice Mapping, DNSF-Rice）。 【方法】 首先，通过Sentinel-2归一化植被指数（Normalized Difference Vegetation Index, NDVI）时间序列，基于阈值分割获取水稻种植潜在分布范围；其次，通过Sentinel-1双极化水体指数（Sentinel-1 Dual-Polarized Water Index, SDWI）时间序列，分析其在水稻生长周期内的动态变化特征，构建阈值分割算法获取基于微波数据的水稻种植分布；最后，将上述结果的交集作为最终水稻分布范围，构建了杭嘉湖平原2019—2023年10 m空间分辨率的水稻种植分布图。此外，利用地面实测数据和统计数据对提取结果进行了精度验证，并与其他产品进行了对比分析。［结果与讨论］本研究所提取的水稻种植分布图总体精度均达96%以上，F₁得分超过0.96，水稻种植面积整体呈逐年增长的趋势，提取面积与统计数据具有高度的一致性，优于其他相关产品。 【结论】 DNSF-Rice水稻识别方法基于GEE云平台，结合了光学和合成孔径雷达（Synthetic Aperture Radar, SAR）时间序列数据的优势，利用了NDVI和SDWI在水稻生长全过程中的整体动态变化特征，为高效、精确监测水稻种植面积提供了新的思路。

【目的/意义】 农田草害制约着作物种植生产的质量和产量，激光除草技术作为一种生态环保防控田间杂草革新方法，具有环保、高效、灵活和自动化特点，可以很好地减少人力需求，降低化学药剂用量和污染，极大地缓解农田劳动力短缺、作物减产压力，在生态环境保护方面具有重要意义。 【进展】 首先介绍了激光除草技术的研究背景，概述了激光除草技术体系和作业系统，围绕激光除草机器人关键技术展开论述和讨论，涵盖杂草自动识别定位技术、机器人导航与路径规划、除草执行机构控制技术，以及整机研制等进展。最后结合国内外激光除草机器人的发展现状，综述了激光除草机器人发展目前存在的问题及未来趋势。 【结论/展望】 激光除草属于精密的智能化除草方式，是目前国内外学者研究和开发智慧农业关键技术和装备的研究热点，并取得了一系列成果，促进了除草机器人田间实际应用和推广示范。结合不同地区田间草害，未来还应开展大量的激光除草室内外杂草实验研究，以进一步验证激光田间除草的技术可行性并获取准确的激光能耗、效率和效益等数据，为激光除草的装备技术研发与应用提供支持。

［目的/意义］ 准确识别和定位各级草莓穴盘苗对自动化穴盘苗分选技术具有重要意义，可以降低育苗过程中的人工成本。本研究提出了一种基于轻量化YOLOv8s的草莓穴盘苗分级识别和定位方法，以有效克服穴盘苗越界生长带来的识别和定位干扰。 ［方法］ 首先，基于层自适应幅度剪枝评分（Layer-Adaptive Magnitude-based Pruning Score， LAMP Score）通道剪枝算法压缩基础YOLOv8s草莓穴盘苗-穴孔识别模型的参数量和模型大小，提高了模型推理速度，高效检测穴盘苗和穴孔。其次，结合剪枝后的模型设计了一种两阶段草莓穴盘苗-穴孔匹配定位算法，根据穴盘苗和穴孔边界框的重叠度将苗株与穴孔进行配对，并通过第一阶段匹配中的草莓穴盘苗-穴孔匹配结果减少相邻越界生长的穴盘苗带来的影响，从而准确获得各级穴盘苗在穴盘中的具体位置信息。 ［结果和讨论］ 剪枝后的模型在保持较高检测精度的同时，将模型尺寸、浮点运算次数（Floating Point Operations Per Second, FLOPs）和参数量分别降低了94.4%、86.3%和95.4%。与原始模型相比，剪枝后的模型F₁分数提高了0.1%，而平均精度（Mean Average Precision, mAP）提高了1%，两阶段草莓穴盘苗-穴孔匹配定位算法对各级穴盘苗的平均定位精度达到了88%。 ［结论］ 提出的草莓穴盘苗分级识别和定位方法能够满足实际育苗过程的要求，为自动化穴盘苗分选提供了技术支持。

[目的/意义] 奶牛跛行检测是规模化奶牛养殖过程中亟待解决的重要问题，现有方法的检测视角主要以侧视为主。然而，侧视视角存在着难以消除的遮挡问题。本研究主要解决侧视视角下存在的遮挡问题。 [方法] 提出一种基于时空流特征融合的俯视视角下奶牛跛行检测方法。首先，通过分析深度视频流中跛行奶牛在运动过程中的位姿变化，构建空间流特征图像序列。通过分析跛行奶牛行走时躯体前进和左右摇摆的瞬时速度，利用光流捕获奶牛运动的瞬时速度，构建时间流特征图像序列。将空间流与时间流特征图像组合构建时空流融合特征图像序列。其次，利用卷积块注意力模块（Convolutional Block Attention Module, CBAM）改进PP-TSMv2（PaddlePaddle-Temporal Shift Module v2）视频动作分类网络，构建奶牛跛行检测模型Cow-TSM（Cow-Temporal Shift Module）。最后，分别在不同输入模态、不同注意力机制、不同视频动作分类网络和现有方法4个方面对比，进行奶牛跛行实验，以探究所提出方法的优劣性。 [结果和讨论] 共采集处理了180段奶牛图像序列数据，跛行奶牛与非跛行奶牛视频段数比例为1∶1，所提出模型识别精度达到88.7%，模型大小为22 M，离线推理时间为0.046 s。与主流视频动作分类模型TSM、PP-TSM、PP-TSMv2、SlowFast和TimesFormer模型相比，综合表现最好。同时，以时空流融合特征图像作为输入时，识别精度分别比单时间模态与单空间模态分别提升12%与4.1%，证明本研究中模态融合的有效性。通过与通道注意力（Squeeze-and-Excitation, SE）、卷积核注意力（Selective Kernel, SK）、坐标注意力（Coordinate Attention, CA）与CBAM不同注意力机制进行消融实验，证明利用CBAM注意力机制构建奶牛跛行检测模型效果最佳。最后，与现有跛行检测方法进行对比，所提出的方法同时具有较好的性能和实用性。 [结论] 本研究能够避免侧视视角下检测跛行奶牛时出现的遮挡问题，对于减少奶牛跛行发生率、提高牧场经济效益具有重要意义，符合牧场规模化建设的需求。

［目的和意义］ 原始星载日光诱导叶绿素荧光（Sunlight-induced Chlorophyll Fluorescence, SIF）数据存在足迹离散、时空分辨率低等缺陷，针对这些问题许多研究进行了SIF重构，但大多数重构后的新型SIF数据分辨率仍较低，难以应用到精细尺度农业领域，且部分高精度SIF重构数据并非基于原始卫星SIF数据重构。OCO-2 SIF原始数据空间分辨率高（1.29 km×2.25 km），植被异质性低，对区域尺度高分辨率作物SIF重构具备突出价值。 ［方法］ 选取美国区域尺度大豆为研究对象，利用原始OCO-2 SIF和MODIS产品进行高分辨率大豆SIF重构，通过组合多个卫星轨迹经过的大豆种植区，提高SIF样本总量，与增强植被指数（Enhanced Vegetation Index, EVI）、光合有效辐射分量（Fraction of Photosynthetically Active Radiation, FPAR）和土地表面温度（Land Surface Temperature, LST）等预测因子足迹匹配后构建多源遥感数据集，代入BP神经网络训练模型，进而生成区域尺度空间连续且具有较高时空分辨率（8 d、500 m）的重构SIF数据集（BPSIF）。 ［结果和讨论］ 加入EVI，FPAR和LST的SIF重构模型R²达0.84，利用总初级生产力（Gross Primary Productivity, GPP）数据对BPSIF进行质量评价，OCO-2 SIF与 GPP的Pearson相关系数为0.53，而BPSIF与GPP相关系数提升到0.8，表明本研究生成的BPSIF数据集更加可靠。 ［结论］ 研究成果有望为区域尺度大豆作物SIF研究提供理论依据和数据支撑。

[目的/意义] 牛的体尺参数是反映牛身体发育状况的关键指标，也是牛选育过程的关键因素。为解决规模化肉牛牧场复杂环境对肉牛体尺的测量需求，设计了一种图像采集装置以及体尺自动测量算法。 [方法] 首先搭建肉牛行走通道，当肉牛通过通道后进入限制装置，用英特尔双目深度相机D455对牛只右侧图像进行RGB与深度图的采集。其次，为避免复杂环境背景的影响，提出一种改进后的实例分割网络Mask2former来对牛只二维图进行前景轮廓提取，对轮廓进行区间划分，利用计算曲率分析方法找到所需体尺测点。然后，将原始深度图转换为点云数据，对点云进行点云滤波、分割和深度图牛只区域的空值填充，以保留牛体区域的点云完整，从而找到所需测点并返回到二维数据中。最后，将二维像素点投影到三维点云中，利用相机参数计算出投影点的世界坐标，从而进行体尺的自动化计算，最终提取肉牛体高、十字部高、体斜长和管围4种体尺参数。［结果与讨论］改进的实例分割网络与Mask R-CNN、PointRend、Queryinst等模型相比具有更好的分割结果。采用本研究测得的这4种体尺平均相对误差分别为4.32%、3.71%、5.58%和6.25%。 [结论] 本研究开发的肉牛图像采集装置及相应的图像处理方法可以满足该牧场对肉牛体尺无接触自动测量误差小于8%的精度要求，为非接触式肉牛体尺自动化测量提供了理论与实践指导。

【目的/意义】 中国粮食生产全过程全要素大数据分散无序且结构复杂，服务粮食生产决策核心算法缺乏整合利用，导致数据的潜力未能得到充分发挥。知识图谱技术可整合多源异构粮食生产数据，提升数据关联性与语义挖掘效率，实现知识结构化表达与智能推理，并为粮食生产的可持续发展提供智能分析与信息支持。 【进展】 本文综合分析了粮食生产大数据复杂“结构-关系-语义”的知识表示与关联解析方法，梳理总结了一套基于数据驱动与知识引导的知识图谱构建与知识推理框架，综合分析了粮食生产本体构建、多模态命名实体识别、多模态实体链接、时序推理等关键技术，构造产前调度规划、产中精准决策和产后定量评估等全过程多场景的智能化应用。 【结论/展望】 面向粮食生产大数据应用的知识图谱技术可以在全国、省域、县域和规模化农场等多个应用尺度范围内，为粮食生产各个阶段提供可视化和智能化的决策支持，对实现“藏粮于地、藏粮于技”战略及保障国家粮食安全具有重大科学和应用价值。

【目的/意义】 大语言模型（Large Language Models, LLMs）依托其强大的认知理解和内容生成能力，发展迅速，有望成为智慧农业领域一种全新的研究范式。然而，由于通用LLMs缺乏农业领域知识，对于专业性问题通常会产生事实性错误或信息不完备的回复。为提升大模型在农业领域的适应性，本研究提出了一种知识图谱引导的农业LLMs——KGLLM。 【方法】 该模型基于信息熵实现知识过滤，并在解码阶段显式利用知识图谱的语义信息约束其内容生成。具体而言，将输入问题中的关键实体链接到农业知识图谱，形成知识推理路径和问答依据。为保证此外源知识的有效性，进一步评估引入每条知识前后模型输出内容的熵差，对无法提升答案确定性的知识进行过滤。经筛选的知识路径将被用于调整词表概率，以增加与知识高度相关词的输出，实现知识图谱对LLMs的显式引导。 【结果和讨论】 本研究在5种主流的通用LLMs上实现了农业知识图谱引导技术，包括Baichuan、ChatGLM、Qwen等开源大模型，同时与最优的知识图谱检索增强生成技术进行了对比。实验结果表明，本研究提出的方法在内容流畅性、准确性、真实性和领域忠诚度方面都有显著提升，相较于GPT-4o，在Mean BLEU、ROUGE、BertScore上分别平均提升了2.592 3、2.815 1和9.84%。通过消融实验亦证明了知识引导的农业LLMs不仅实现了冗余知识过滤，而且在解码过程中可有效调整词表输出分布，有助于提升通用LLMs在农业领域的适应性及问答的可解释性。 【结论】 本研究为后续农业LLMs的构建提供了可借鉴思路，表明知识图谱引导的方法在提升模型的领域适应性和回答质量具有潜在的应用价值。

【目的】 现有的作物估产模型通常在灾害气候条件下的估产精度不高，本研究提出一种基于干旱天气指数减产率模型的改进分层线性模型（Improved Hierarchical Linear Model, IHLM），旨在提高在干旱条件下作物产量估算的精度。 【方法】 采用最大值的增强植被指数-2（Maximum Enhanced Vegetation Index 2, EVI2max）和每年3月~5月降水量，辐射量和气温等气象数据和2018—2021年山东省160个农情调查基点的冬小麦实测产量数据构建冬小麦产量预测基础分层线性模型（Hierarchical Linear Model, HLM）。考虑到气象因素的变异程度是影响作物生长的关键障碍因子，首先将气象因子相对性计算进行模型改进，并对改进的HLM模型与随机森林（Random Forest, RF）模型、支持向量回归（Support Vector Regression, SVR）模型和极端梯度提升（Extreme Gradient Boosting, XGBOOST）模型进行精度对比。然后引入农业保险行业的干旱天气指数减产率模型，对改进的HLM模型进一步优化，从而更加适应干旱条件下的作物估产。为了验证IHLM模型的迁移性，本研究将其应用于河南省进行对比分析，以评估该模型在不同地理和气候条件下的表现。 【结果和讨论】 基于相对气象因子（Relative Meteorological Factors, rMF）改进的HLM模型精度相比于RF、SVR和XGBOOST更高，验证精度皮尔逊相关系数r为0.76，均方根误差（Root Mean Square Error, RMSE）为0.60 t/hm²，归一化均方根误差（Normalized Root Mean Square Error, nRMSE）为11.21%。在干旱条件数据集中，利用冬小麦干旱天气指数和冬小麦减产率的关系对模型进行了改进，改进之后RMSE减少了0.48 t/hm², nRMSE减少了28.64个百分点，提高了IHLM模型在干旱条件下的精度。 【结论】 该研究对冬小麦产量HLM模型进行改进，提高了模型精度，在干旱情况下模型精度和稳定性有一定提升，相比于RF、SVR、XGBOOST模型，IHLM模型更适合对冬小麦产量预测。

［目的/意义］ 针对中国中西部特色农产品在设施环境生产过程对品质影响要素监测手段缺乏、智能化管控能力薄弱、品质控制要素耦合关系不明、系统化应用程度低的问题，对现有的设施智能监测、智能管控、平台构建技术进行探索，通过物联网、云平台，以及新一代人工智能技术的应用，为特色农产品全生育期的智能化品质管控体系构建和应用提供依据。 ［进展］ 以特色羊肚菌和番茄的外观、口感、产量三类品质为管控目标，在品质调控数据采集方面介绍了视频监控、环境监测、生理表型数据采集设备，以及轨道式、轮式巡检机器人，提供稳定可靠的图像、视频、监测数据采集手段；在生长过程调控方面，分别从环境监测调控和肥水灌溉投入品调控阐释了当前的做法，提出了能够针对品质进行多要素耦合全生育期的管控方法；介绍了品质智能管控系统，以及多个生产环节的应用，采用云边端一体化架构为获取的多模态数据以及多要素耦合模型面向多种生产场景提供精准适配的应用和服务。 ［结论/展望］ 对比特色羊肚菌和番茄的智能化管控现状，番茄整体技术体系更为成熟，羊肚菌产业可以结合自身的生产过程根据技术的需要进行技术迁移，对严苛光照、稳定的高湿低温等个性化要求进行模型定制，面向中西部大部分特色农产品品控宜采用通用型的多要素耦合模型根据场景特性进行参数、模型局部迁移和微调的方式适配。未来的发展趋势呈现设备设施轻简化、智能技术场景化、服务模式多样化、品质管控在线化、数智生产规模化、数据要素价值化，有效利用智能装备和数据要素的优势是将来激发新质生产力的必然趋势。

[目的/意义] 小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一。目前大田环境下小麦叶片计数主要依靠人工、耗时耗力，而现有的自动化检测计数方法的效率与精度难以满足实际应用需求。为提高小麦叶片数检测的准确性，设计了一种复杂大田环境下高效识别小麦叶尖的算法。 [方法] 本研究以手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶片图像数据集。以YOLOv8为基础网络，融合坐标注意力机制降低背景环境的干扰，提高模型对小麦叶尖轮廓信息的提取能力；替换损失函数加快模型收敛速度；增加小目标检测层提高对小麦叶尖的识别效果，降低漏检率。设计了一种适用于叶尖小目标识别的深度学习网络，通过检测图像叶尖数量从而得出叶片数。［结果与讨论］本研究提出的方法对小麦叶尖的识别精确率和mAP_0.5分别达到91.6%和85.1%，具有良好的检测效果。在复杂大田环境下该方法具有更好的适应能力，能够在不同光照条件下实现自适应检测，模型鲁棒性强。小麦幼苗期叶片检测漏检率低，说明该方法能够满足复杂大田场景下小麦叶尖识别的需求，提高了小麦叶片数检测的准确性。 [结论] 本研究可为复杂大田场景下小麦叶片数检测的研究提供参考，为小麦长势高质量评估提供技术支撑。

【目的/意义】 农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场体系的转型，数据获取技术的进步使得农业数据呈现爆炸式增长。然而，农产品多品种的联动监测和预测仍面临数据复杂、模型狭窄、应变能力弱等挑战。因此，亟需构建适应中国农业数据特点的深度学习模型，以提升农产品市场的监测与预警能力，推动精准决策和应急响应。 【方法】 本研究应用深度学习方法，从中国多维农业数据资源实际出发，创新提出了一套不同监测预警对象条件下深度学习综合预测方法，构建了生成对抗与残差网络协同生产量模型（Generative Adversarial Network and Residual Network, GAN-ResNet）、变分自编码器岭回归消费预测模型（Variational Autoencoder and Ridge Regression, VAE-Ridge）、自适应变换器价格预测模型（Adaptive-Transformer）。为适应实际需求，研究在CAMES中采用“离线计算与可视化分离”策略，模型推理离线完成，平衡了计算复杂度与实时预警需求。 【结果和讨论】 深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测上，均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为6.58%，运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%，运用Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。 【结论】 该研究提出的深度学习综合预测方法，具有较先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力，并在处理不同区域多维数据、多品种替代、市场季节性波动等分析方面显示出优良的指标性能，可为中国农产品市场监测预警提供一套新的有效分析方法。

【目的/意义】 植物叶形是植物结构形状的重要组成部分。叶片三维结构模型的建立有助于模拟和分析植物生长。针对三维结构表示与数学模型参数的互操作性，本研究提出了一套参数驱动的具有互操作性的小麦叶片点云反演模型。 【方法】 利用参数化建模技术，建立具有7个特征参数的小麦叶片参数化曲面模型。基于小麦叶片三维点云对模型参数进行反演估计，实现叶片曲面的逆向参数化构建。为验证该方法可靠性，使用Chamfer距离评估重建点云与原点云间差异度。 【结果和讨论】 该模型能有效地重建小麦叶片，对于实测数据基于点云的参数化重建结果的平均偏差约为1.2 mm，具有较高的精度。重构模型与点云具有互操作性，可以灵活调整模型参数，生成形状相近的叶簇。反演参数具有较高的可解释性，可用于点云时间序列的一致、连续地估计。 【结论】 该模型对叶片的一些细节特征进行了适度的简化，只需要少量的参数就可以还原叶片的几何形状。该方法不仅简单、直接、高效，而且得到的参数几何意义更明确，具有可编辑性和可解释性，对小麦叶片的模拟分析和数字孪生具有重要的应用价值。