【智慧农业】Smart Agricultural Technology: LMPF 轻量 AI框架,让生菜智慧监测 “小模型、高精度、易落地”

1. 背景介绍

在智慧农业与数字种植中，作物表型的快速、无损、高通量监测是精准水肥、产量预估、智能管理的核心环节。生菜作为设施农业主力作物，株高、冠幅、鲜重、干重、叶面积等关键指标，传统依靠人工测量，效率低、误差大；现有深度学习模型普遍体积大、算力要求高、难以部署在边缘设备，且无法适应生菜从幼苗到成株的尺度剧烈变化，导致实际温室场景中应用受限。

如何用小模型、低算力、高鲁棒性实现生菜全周期智能感知，已成为智慧蔬菜发展的关键痛点。

2. 摘要

本研究面向智慧温室与轻量化农业 AI，提出 LMPF 轻量级多尺度表型预测框架，核心突破：

1. 采用RGB + 深度双模态融合，同时利用外观特征与三维结构信息，提升复杂光照下的感知稳定性。
2. 设计DSDF 轻量化特征提取模块，在保持特征精度的同时大幅压缩模型体积，更适合边缘端部署。
3. 提出GPAR-Pyramid 自适应感受野金字塔，动态适配生菜苗期 — 成株期尺度变化，实现全周期精准预测。
4. 构建MTASCA 多任务注意力机制，智能融合多模态信息，提升预测泛化能力。
5. 模型仅1.02M 参数、6.53G FLOPs，5 项指标平均R²=93.77%，NRMSE=16.23%，综合性能优于主流 CNN 与轻量模型。

研究证实：轻量级多模态 AI 可实现高精度作物表型预测，为智慧农业低成本、规模化、便携式感知提供重要技术支撑。

3. 内容

图1. 四种品种和七个生长周期的生菜。

图2. 数据集格式：(a) RGB图像；(b) 深度图像。

图3. 数据集预处理与增强。

图4. 该模型的整体架构如下：(a)深度可分离密集融合网络（DSDF）；(b)生长阶段自适应接收金字塔（GPAR -Pyramid）；(c)多任务自适应空间通道注意力机制（MTASCA）；(d)多任务注意力机制（MTA）。

图5. RGB-D数据被拼接成一个4通道张量。

4. 总结与展望

本研究面向智慧农业轻量化感知需求，攻克了传统表型模型 “大、重、难部署” 的难题，构建了一套可在边缘端、嵌入式设备运行的生菜智能监测方案。LMPF 兼具小体积、高精度、全周期适应、多模态鲁棒四大优势，可直接服务于智慧温室、植物工厂、无人农场等场景。

未来方向：

1. 面向大田复杂环境，提升模型在遮挡、强光、弱光下的鲁棒性。
2. 部署于摄像头、无人机、边缘盒子等设备，实现田间实时无损监测。
3. 拓展至叶菜类、草莓、育苗等多种经济作物，形成通用轻量表型 AI 平台。
4. 与水肥一体化、环境调控系统结合，构建感知 - 决策 - 调控智慧农业闭环。

内容信息

封面：文章插图

本文内容素材仅作为行业信息传递与交流分享，用户请谨慎考虑和独立判断文中任何观点、意见和结论。欢迎参与投稿分享！如有问题，请联系我们：18106695830(微信)，simone@flink.org.cn。