AgroSense：一种通过土壤图像分析与养分剖析进行作物推荐的集成深度学习系统
计算机视觉与模式识别
2025-09-03 v1 机器学习
摘要
满足日益增长的全球粮食安全和可持续农业需求，需要能够实时运行的智能作物推荐系统。传统的土壤分析技术通常速度慢、劳动密集，且不适合现场决策。为解决这些局限，我们引入了 AgroSense，一个融合土壤图像分类与养分剖析以生成准确且符合情境的作物推荐的深度学习框架。AgroSense 包含两个主要组件：一个土壤分类模块，利用 ResNet-18、EfficientNet-B0 和 Vision Transformer 架构对图像中的土壤类型进行分类；以及一个作物推荐模块，采用多层感知机、XGBoost、LightGBM 和 TabNet 来分析结构化土壤数据，包括养分水平、pH 值和降雨量。我们整理了一个包含 10,000 个配对样本的多模态数据集，这些样本来自公开的 Kaggle 仓库，包含约 50,000 张七类土壤图像和 25,000 条养分剖面用于实验评估。融合模型达到了 98.0% 的准确率，精确率为 97.8%，召回率为 97.7%，F1 分数为 96.75%，而 RMSE 和 MAE 分别降至 0.32 和 0.27。消融研究强调了多模态耦合的关键作用，通过 t 检验和方差分析进行的统计验证证实了我们改进的显著性。AgroSense 为精准农业中的实时决策支持提供了一种实用、可扩展的解决方案，并为未来在资源受限环境中的轻量级多模态 AI 系统铺平了道路。
引用
@article{arxiv.2509.01344,
title = {AgroSense: An Integrated Deep Learning System for Crop Recommendation via Soil Image Analysis and Nutrient Profiling},
author = {Vishal Pandey and Ranjita Das and Debasmita Biswas},
journal= {arXiv preprint arXiv:2509.01344},
year = {2025}
}
备注
Preprint, 23 pages, 6 images, 1 table