［目的/意义］ 近年来，人工智能在农业领域的应用取得了显著进展，但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术，已在多个行业的垂直领域中展现出了良好性能，尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。［进展］ 本文首先阐述了大模型的基本概念和核心技术方法，展示了在参数规模扩大与自监督训练下，模型通用能力与下游适应能力的显著提升。随后，分析了大模型在农业领域应用的主要场景；按照语言大模型、视觉大模型和多模态大模型三大类，在阐述模型发展的同时重点介绍在农业领域的应用现状，展示了大模型在农业上取得的研究进展。［结论/展望］ 对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解，展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统，并为公众提供专业优质的农业服务。

[目的/意义] 近年来，玉米叶部病害发生日趋加重且呈现混发现象，严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合，无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。 [方法] 提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法，通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性，优选敏感特征构建基于病害发展全阶段（包含病害所有烈度）和病害单一烈度下的病害种类识别模型；进一步地，针对玉米叶部单一病害构建烈度分类模型，以期实现对不同叶部病害的全过程识别与病害烈度分类。 [结果和讨论] 3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1 000 nm的近红外和1 300~1 800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度（Overall accuracy, OA）达77.51%，Macro F₁达0.77；而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时，病害种类识别模型最优精度达95.06%，Macro F₁达0.94。此外，研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%，其中大斑病烈度分类效果最好（OA=86.25%，Macro F₁=0.85）。 [结论] 基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类，为大范围作物病害监测提供研究基础及理论依据，助力精准防控与绿色农业。

[目的/意义] 油菜菌核病是一种全球性的植物病害，可严重影响油菜的产量和品质，造成巨大的经济损失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题，构建了一种基于空-谱信息融合的双向门控循环网络（Bi-directional Gate Recurrent Unit, Bi-GRU）模型，实现油菜菌核病侵染区域的高光谱图像分割。 [方法] 首先提取7×7像素邻域作为目标像素的空间特征，同时考虑全波段光谱特征，实现空间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构，实现序列数据中任意位置上特征的同时提取，避免了空-谱数据融合顺序对模型结果的影响。 [结果和讨论] 与卷积神经网络模型和长短时记忆网络模型相比，基于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。该模型的油菜菌核病检测平均精度达到93.7%，同时可以有效提取早期感染阶段的病斑区域。 [结论] 本研究可为油菜菌核病的高通量无损检测奠定基础，也为油菜菌核病的早期感染检测提供参考依据。

[目的/意义] 实现复杂的自然环境下农作物害虫的识别检测，改变当前农业生产过程中依赖于专家人工感官识别判定的现状，提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题，本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。 [方法] 首先通过引入GSConv提高模型的感受野，部分Conv更换为轻量化的幻影卷积（Ghost Convolution），采用HorBlock捕捉更长期的特征依赖关系，Concat更换为BiFPN（Bi-directional Feature Pyramid Network）更加丰富的特征融合，使用VoVGSCSP模块提升微小目标检测，同时引入CBAM（Convolutional Block Attention Module）注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本，提高网络模型的泛化能力和整体性能。之后，对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、YOLOv8-CBAM进行对比，验证模型检测准确度和精度。最后将模型移植到边缘设备进行推理验证，在实际应用场景中验证模型的有效性。 [结果和讨论] YOLOv8-Extend在对比实验中均取得良好的表现，其中与原模型对比实验中，精确率、召回率、mAP@0.5和mAP@0.5∶0.95评价指标分别提升2.6%、3.6%、2.4%和7.2%，表现突出，具有更好的检测效果。改进前后的模型分别运行在边缘计算设备JETSON ORIN NX 16 GB上并通过TensorRT加速相比，mAP@0.5提升4.6%，达到57.6 FPS，满足实时性检测要求。在复杂农业场景中YOLOv8-Extend模型具有更好的适应性，在实际采集数据中微小害虫与生长环境相似的害虫检测方面有明显优势，在困难数据检测方面准确率提高了11.9%。 [结论] 本研究提出的YOLOv8改进模型有效提高了检测精度和识别率同时保持了较高的运行效率，能够部署在边缘终端计算设备上实现农作物害虫的实时检测，也为其他小目标智能检测和模型结构优化提供参考和帮助。

[目的/意义] 对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。 [方法] 提出一种基于改进YOLOv8（You Only Look Once）和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量机（Support Vector Machine，SVM）作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测分类。 [结果和讨论] 训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。 [结论] 本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。

[目的/意义] 针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别（Named Entities Recognition, NER）准确率不高的情况，以PointerNet为基准模型，提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。 [方法] 采用RoFormer预训练模型对输入的文本进行向量化，利用其独特的旋转位置嵌入方法来捕捉位置信息，丰富字词特征信息，从而解决一词多义导致的类型易混淆的问题。使用指针网络进行解码，利用指针网络的首尾指针标注方式抽取句子中的所有实体，首尾指针标注方式可以解决实体抽取中存在的嵌套问题。 [结果和讨论] 自建农业病害数据集，数据集中包含2 867条标注语料，共10 282个实体。为验证RoFormer预训练模型在实体抽取上的优越性，采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试验，RoFormer-PointerNet与其他模型相比，模型精确率、召回率、F₁值均为最优，分别为87.49%，85.76%和86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势，与使用最为广泛的双向长短期记忆神经网络（Bi-directional Long Short-Term Memory, BiLSTM）和条件随机场（Conditional Random Field, CRF）模型进行对比试验，RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、5.67%和3.87%，证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害数据集中的识别性能，针对病害症状、病害名称、防治方法等8类实体进行了识别实验，本方法识别的精确率、召回率和F₁值分别为87.49%、85.76%和86.62%，为同类最优。 [结论] 本研究提出的方法能有效识别中文农业病害文本中的实体，识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定优势。

[目的/意义] 借助智能化识别及图像处理等技术来实现对移栽后蔬菜状态的识别和分析，将会极大提高识别效率。为了实现甘蓝大田移栽情况的实时监测和统计，提高甘蓝移栽后的成活率以及制定后续工作方案，减少人力和物力的浪费，研究一种自然环境下高效识别甘蓝移栽状态的算法。 [方法] 采集移栽后的甘蓝图像，利用数据增强方式对数据进行处理，输入YOLOv8s（You Only Look Once Version 8s）算法中进行识别，通过结合可变形卷积，提高算法特征提取和目标定位能力，捕获更多有用的目标信息，提高对目标的识别效果；通过嵌入多尺度注意力机制，降低背景因素干扰，增加算法对目标区域的关注，提高模型对不同尺寸的甘蓝的检测能力，降低漏检率；通过引入Focal-EIoU Loss（Focal Extended Intersection over Union Loss），优化算法定位精度，提高算法的收敛速度和定位精度。 [结果和讨论] 提出的算法经过测试，对甘蓝移栽状态的召回率R值和平均精度均值（Mean Average Precision，mAP）分别达到92.2%和96.2%，传输速率为146帧/s，可满足实际甘蓝移栽工作对移栽状态识别精度和速度的要求。 [结论] 提出的甘蓝移栽状态检测方法能够实现对甘蓝移栽状态识别的准确识别，可以提升移栽质量测量效率，减少时间和人力投入，提高大田移栽质量调查的自动化程度。

[目的/意义] 针对当前玫瑰鲜切花分级仍依赖人工进行简单分级，造成效率低、准确率低等问题，提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。 [方法] 以单一背景下单支玫瑰花的花头作为检测目标，将鲜切花分为A、B、C、D四个等级，对YOLOv8s（You Only Look Once version 8 small）模型进行了优化改进。首先，构建了一个全新的玫瑰鲜切花分级检测数据集。其次，在YOLOv8s的骨干网络分别添加CBAM（Convolutional Block Attention Module）和SAM（Spatial Attion Module）两个注意力机制模块进行对比实验；选择SAM模块并对其进一步优化，针对模型轻量化需求，再结合深度可分离卷积模块一起添加到C2f结构中，形成Flower-YOLOv8s模型。 [结果和讨论] 从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度，mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%，达到97.4%，平均精度均值（mAP）提高了0.7%，同时降低了模型参数和计算量，分别降低2.26 M和4.45 MB；最后使用相同的数据集和预处理方法与Fast-RCNN、Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验，证明所提出的实验方法综合强于其他经典YOLO模型。 [结论] 提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准度，为玫瑰鲜切花分级检测技术提供一定的参考价值。

[目的/意义] 为探究并表达环境因素对黄花各器官生长发育、形态结构和产量的影响，提出一种基于源库关系的黄花植株三维动态生长及产量模拟模型。 [方法] 以大同地区黄花主要栽培种植品种大同黄花为研究材料，采集黄花叶片、花葶、花蕾等形态数据和叶片光合生理参数，利用功能-结构植物模型（Functional-Structural Plant Model，FSPM）平台的三维建模技术，建立基于云量的室外地表太阳辐射模型及适配黄花的光合作用模型，同时基于黄花源库关系建立黄花光合产物碳分配模型，利用β生长函数构建黄花各器官生长模拟模型，计算黄花生长期内逐日形态数据，最终实现黄花植株三维动态生长及产量模拟。 [结果和讨论] 采用实测数据对模型进行检验。结果显示，室外地表太阳辐射实测值和模拟值R²为0.87；剩余标准差（Root Mean Squared Error，RMSE）为28.52 W/m²，黄花各器官模拟模型实测值和预测值R²为0.896~0.984，RMSE为1.4~17.7 cm；平均花蕾产量模拟R²为0.880，RMSE为0.5 g；整体F值为82.244~1 168.533，Sig.值均小于显著水平0.05，表明上述模型拟合度和显著性较好。 [结论] 模型能够准确地表现黄花植株在3个主要生长时期的生长规律和形态特征，模拟结果与实际情况相符合，表现出较高的可信度。因此，本模型具有理想的模拟效果，足以满足精细农业领域的研究需求。