推进精密农业中针对特定场地的病害与虫害管理：从基于推理的基础模型到自适应反馈学习
人工智能
2025-10-29 v1
摘要
作物的特定场地病害管理（SSDM）通过机器学习和深度学习（ML和DL）实现了实时计算机视觉，取得了快速进展。研究从手工特征提取演进为大规模自动特征学习。随着基础模型（FMs）的出现，作物病害数据集的处理方式发生了根本性的变化。不同于传统神经网络，FMs整合了视觉和文本数据，能够解释症状，推理症状-管理关系，并支持面向种植者和教育者的交互式问答。适应性和模仿学习在机器人领域进一步实现了田间病害管理。本综述筛选了约40篇关于FMs应用于SSDM的文章，重点关注大语言模型（LLMs）和视觉语言模型（VLMs），并讨论其在自适应学习（AL）、强化学习（RL）和数字孪生框架中用于靶向喷洒中的作用。关键发现：(a) FMs在2023-24年文献激增中 gaining traction；(b) VLMs领先于LLMs，发表量增加5-10倍；(c) RL和AL在智能喷洒领域仍处于初级阶段；(d) 基于RL的数字孪生可用于虚拟化靶向喷洒；(e) 解决仿真到现实的鸿沟是实现实际部署的关键；(f) 人机协作仍有限，尤其是人类在环方法中，机器人检测早期症状而人类验证不确定病例的情况；(g) 具备实时反馈的多模态FMs将驱动下一代SSDM。获取更新、资源和贡献，请访问 https://github.com/nitin-dominic/AgriPathogenDatabase 提交论文、代码或数据集。
引用
@article{arxiv.2510.24650,
title = {Advancing site-specific disease and pest management in precision agriculture: From reasoning-driven foundation models to adaptive, feedback-based learning},
author = {Nitin Rai and Daeun and Choi and Nathan S. Boyd and Arnold W. Schumann},
journal= {arXiv preprint arXiv:2510.24650},
year = {2025}
}
备注
26 pages, 8 figures, and 2 tables