［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］ 针对白菜株心及其内叶叶缘对靶喷施钙素等药剂时，喷雾前进速度的提升导致单位时间内覆盖的有效喷施面积和农药喷雾量的变化这一问题，设计了一套基于深度学习的对靶喷雾控制系统。 ［方法］ 首先，阐述了对靶喷雾控制系统的结构及工作原理。其次，对通用YOLOv8模型进行了改进，提出了一种融合远端识别、喷雾机前进速度和喷雾响应频率的YOLOv8-Ghost-Backbone轻量化模型。通过Jetson Xavier NX控制器，搭载轻量化YOLOv8-Ghost-Backbone模型，设计了稳压执行单元和对靶控制单元，并通过间歇喷雾试验对系统性能进行测试。试验期间，逐步提高喷雾平台前进速度，根据电磁阀响应频率得到对应喷嘴的喷雾量。 ［结果/结论］ 记录了对靶喷雾系统3个主要部分的响应时间：图像处理平均耗时为29.50 ms，决策信号传递耗时为6.40 ms，喷雾过程耗时为88.83 ms，综合分析表明，对靶喷雾的总响应时间相较于电信号滞后约124.73 ms。通过补偿电磁阀响应滞后时间与获取试验，得出电磁喷雾响应补偿后的实际喷雾与需求的差异值，确定速度为7.2 km/h的条件下，对应的实际与需求差值为0.01 L/min，其差值最小，符合对靶喷雾的作业要求。 ［结论］ 本研究可为对靶施药机器人在喷雾系统中的应用和参数选择提供参考。

［目的/意义］ 作物叶面积是反映光合作用效率和生长状况的重要指标，建立一个品种丰富的山药图像数据集并提出一种基于深度学习的山药叶片图像分割方法，可以用于实时测定山药叶片面积，解决传统测量效率低的问题。 ［方法］ 基于改进ENet的轻量化分割网络，在ENet的基础上，裁剪掉第3阶段，减少模型中的冗余计算；将瓶颈结构里面的常规卷积用PConv替换，构成P-Bottleneck，减少模型参数量，加快推理速度；改进上采样模块中的转置卷积为双线性插值，提升模型分割精度，减少参数量；最后在模型编码阶段加入CA注意力机制模块，强化对叶片边缘语义特征的提取能力。训练时使用Adam优化器，根据历史梯度信息自适应地调节学习率，加速收敛过程，提高模型的泛化能力。 ［结果和讨论］ 改进的模型在包含40个品种的山药室内图像数据集和室外数据集上进行实验，平均交并比和均像素精度分别达到98.61%和99.32%，模型参数量下降51%，浮点运算量下降49%，并且网络运算速度提高38%。与原始模型相比，在保证分割精度的同时显著降低网络的参数量和浮点运算量，提升运行速度，减少资源占用，使其更加适合应用到农业监测设备。 ［结论］ 改进算法能够精准快速地分割山药叶片，为复杂背景下山药叶片面积的研究提供了参考依据。

［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］ 苹果斑点落叶病易导致苹果树叶过早脱落，从而影响苹果品质和产量。因此，如何准确检测此病一直是苹果树病害精准防治的热点问题。由于逆光等因素影响，传统基于图像分割的病斑检测方法难以在复杂背景下准确检测病斑区域边界，亟需发展苹果斑点落叶病检测新方法，助力苹果树病害精准防治。 ［方法］ 针对上述问题，本研究从图像异常检测的角度出发，考虑复杂背景干扰，采用深度半非负矩阵分解理论，结合鲁棒性好的马氏距离度量，提出一种新的深度半非负矩阵分解的马氏距离异常检测方法（Deep Semi-Non-Negative Matrix Factorization-Based Mahalanobis Distance-Anomaly Detector, DSNMFMAD）。该方法首先利用深度非负矩阵分解（Deep Semi-Non-Negative Matrix Factorization, DSNMF）提取图像中低秩的背景部分和稀疏的异常部分。然后采用基于奇异值分解特征子空间的马氏距离构建病斑检测器，检测器通过计算异常部分每个像元的异常度来标记病斑。最后，分别构建了实验室和自然条件下的两个苹果斑点落叶病数据集，用以验证提出方法的有效性。 ［结果和讨论］ DSNMFMAD在实验室条件和自然条件下对苹果斑点落叶病的识别准确率分别达到了99.8%和87.8%；平均检测速度为0.087和0.091 s/幅。相较于4种经典的异常检测方法和1种深度学习模型，本研究所提出方法的检测准确率在实验室条件下分别提高了0.2%、37.9%、10.3%、0.4%和24.5%；在自然条件下分别提高了2.5%、32.7%、5%、14.8%和3.5%。 ［结论］ 本研究提出的 DSNMFMAD能够通过DSNMF有效地将图像中的异常部分提取出来，并利用构建的病斑检测器准确地将苹果斑点落叶病位置检测出来。即使在复杂背景条件下，该方法亦获得了比对比方法更高的检测准确度，展现出了优异的病斑检测性能，为苹果斑点落叶病的检测与防治提供了技术参考依据。

［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。