《农业工程学报》“农业智能机器人” 专题文章(2026年第4期)

专题文章

为实现蜂群多模态数据的非侵入式、全周期自动采集与高效管理，该研究设计了一种蜂群多模态大数据自动采 集管理系统。系统由智能蜂箱终端与自标注管理云端构成，终端集成巢脾自动移位成像、出勤行为视频采集及多源环境感知，实现多模态数据的稳定获取；云端采用多模态数据处理管道完成数据的时空对齐、自动标注与结构化存储。在南京江宁区蜂场开展了为期30 d的连续田间试验，对系统稳定性、数据准确性与标注效率进行验证。结果表明，系统综合 数据丢包率低于5%。环境参数采集精度较高，其中蜂箱外温度测量误差最小，平均绝对误差（mean absolute error， MAE）为0.3 ℃，均方根误差（root mean square error，RMSE）为0.4 ℃，皮尔逊相关系数（Pearson correlation coefficient， PCC）为0.995；蜂箱内CO₂ 浓度测量误差相对较大，MAE为48 μmol/mol，RMSE为62 μmol/mol，PCC为0.937。自 标注模块单帧视觉数据处理时间约为10 ms，蜂箱口蜜蜂目标检测自标注准确率为98%，巢脾蜜蜂实例分割自标注平均 准确率为76%。研究结果表明，该系统可实现蜂群多模态数据的长期稳定获取与自动化管理，为蜂群行为分析与智能养 殖提供可靠的数据支撑。

引用文本：刘继展，陈耀，吴硕，等. 蜂群多模态大数据自动采集管理系统设计与试验[J]. 农业工程学报，2026，42(4)：1-11. DOI:  10.11975/j.issn.1002-6819.202510125

扫描二维码阅读原文

针对非结构化椒园中花椒簇尺寸小、分布密集、易损伤的采摘难题，该研究采集并标注999张田间图像，构建包含5094个实例的红花椒簇检测数据集。基于YOLO11n基线模型，在其Backbone与Head中分别引入异质尺度注意力与多尺度卷积模块构建轻量级模型PepNet v1，进而提升小目标花椒簇的识别能力。试验表明，PepNet v1在平均精确率均值和精确率上分别达到0.817和0.808，优于YOLO11n，运算量仅6.5 G（约65亿次浮点运算）。针对中心像素深度估计在孔洞和遮挡下误差较大的问题，提出基于最近N点统计均值的深度估计方法，将静态和动态误差分别降至1.30 和1.75 cm，修正后进一步降至0.41 和0.35 cm。田间试验表明，经姿态对齐优化后，采摘成功率达75%，效率提升60%以上，该方法可为红花椒簇自动采摘提供可靠参考。

引用文本：

扫描二维码阅读原文

针对复杂农业场景中农机自动驾驶的3D目标检测问题，该研究提出一种集成毫米波雷达和单目相机的低成本感知系统。首先，构建包括激光雷达、组合导航、相机、毫米波雷达数据的农业场景多模态感知数据集；然后，构建基于中间融合策略的神经网络模型CFPNet，采用改进的中心点检测网络对目标进行初步检测，将检测结果与雷达探测点相匹配，使用特征提取模块对视锥感兴趣区域内的雷达点云特征进行提取，生成用于补充图像特征的雷达信息；最后，融合图像初步检测信息和雷达信息进行二次目标检测，同时回归3D目标的深度、方向、速度等属性。结果表明，该网络在自建农业场景数据集上的目标检测精度约为86.5%，在农业场景部署测试中的检测速度达到约7.4帧/s。CFPNet可以在农业场景保证检测速度的同时应对农业环境中的视觉障碍和雷达回波的稀疏问题，并且可以直接返回目标的速度信息，可为农业场景农机自动驾驶提供技术支撑。

引用文本：杨丽丽，郭潇，李子昂，等. 基于视锥的相机-雷达融合农业场景三维目标检测[J]. 农业工程学报，2026，42(4)：24-32. DOI:  10.11975/j.issn.1002-6819.202508160

扫描二维码阅读原文