《Sensors》：Multi-Source Perception, Intelligent Decision-Making, and Precision Control for Autonomous Agricultural Systems: A Comprehensive Review
自主农业系统（autonomous agricultural systems, AASs）的快速发展正在变革现代农业，劳动力短缺、可持续发展要求以及对精准农业的需求正推动智能农业平台的采用。农业生产环境给自主农业系统带来了独特的挑战性条件，包括非结构化和动态变化的地形、生物变异性目标、不可预测的光照和天气条件，以及安全的人机共存。本综述系统地研究了三项基石技术：多源感知、智能决策和精准控制。此外，还回顾了典型的农业作业，包括土壤耕作、种植、灌溉与排水、施肥、植物保护、收获和农产品加工，以说明其应用。基于代表性的作业场景，总结了智能装备在环境感知、作业优化和控制执行方面的研究进展与应用特点。具体而言，多源感知正从基于孤立传感器的采集模式向多模态和深度学习驱动的语义场景理解演进。智能决策已从经验驱动方法发展为基于物理信息、数据驱动和知识增强的自适应作业优化框架。精准控制已从传统PID控制发展为自适应、基于学习和数字孪生驱动的控制策略，实现了鲁棒的高精度闭环调节。然而，若干关键挑战依然存在：感知模型在环境分布偏移下的跨域泛化能力和鲁棒性有限，数据驱动决策系统的可解释性和可信赖性受限，以及控制架构在多扰动耦合田间条件下的适应性不足。为弥补上述不足，未来研究应优先关注多源异构数据融合与标准化、融合机理知识与数据驱动学习的协同控制框架，以及结合农业领域专业知识的人工智能——推动真正自主、可信且具有韧性的农业系统发展。
1. 引言
自主农业系统（AASs）集成智能农业机械、自主地面车辆、无人机（UAV）、机器人收获机和自动化加工设备，通过在复杂动态农田环境中实现自主感知、决策与作业，正在变革现代农业。在全球粮食需求增长、劳动力短缺以及对可持续和高精度农业生产迫切需求的驱动下，AASs已成为实现高效、韧性和智能农业的关键技术路径。与结构化的工业环境不同，农业生产呈现出独特的挑战性条件，包括非结构化地形、生物变异性目标、动态变化的天气和光照，以及频繁的人机交互。这些特性对环境感知、智能决策和自适应控制提出了严格要求。作为AASs的物理基础，农业机械从根本上影响生产效率、资源利用和作业可持续性。随着先进传感技术、机器视觉、人工智能和智能控制的快速集成，农业机械正从传统机械化装备演变为具备多源感知、智能决策和精准控制能力的自主系统。
智能农业机械的发展经历了从单一功能模块的孤立应用到系统级集成协同作业的演进过程。早期研究主要集中于单项关键技术的孤立应用，例如基于传感器的环境感知、基于处方图的离线决策，以及采用比例-积分-微分（PID）控制器的单变量控制方法。尽管这些技术在特定作业任务中能够实现局部性能优化，但仍存在信息孤立、决策延迟和控制协同不足等问题。传统图像处理方法因其简洁性和决策逻辑透明性而具有吸引力，但随着作业环境日益复杂和不可预测，其鲁棒性显著下降。光谱分析和多传感器融合可以显著提高精度，但所需仪器成本高昂，数据处理需求巨大，且在实时吞吐量与工程实用性之间寻求可接受的平衡一直是持续挑战。因此，单一技术路径不足以满足复杂农业生产环境中精准稳定作业的需求。
随着信息技术与智能算法的深度融合，AASs已逐步向多源信息融合、智能决策和闭环控制协同发展的方向演进。以“感知—决策—控制”为核心的智能技术框架已经建立。在该框架中，多源感知为作物、土壤、环境和机器状态信息的实时获取提供基础；智能决策推动作业参数从经验设定向数据驱动和模型驱动优化转变；精准控制通过动态调节和闭环优化确保作业的精确执行。这些关键使能技术贯穿于耕作、种植、灌溉与排水、施肥、植物保护、收获和农产品加工等全过程。已有研究表明，通过使用角度、位移、牵引力和姿态传感器获取犁耕深度和机具状态信息，可实现耕深检测，进而通过PID控制或模型预测控制（MPC）实现耕深的自适应调节。作物行检测和导航主要通过光探测与测距（LiDAR）和深度学习（DL）提取作物行中心线来实现，从而支持农业系统的自主作业。精准灌溉通过基于气象数据、土壤水分信息和遥感数据构建蒸散发（ET）预测模型来实现。作物养分反演通常利用高光谱数据、无人机影像和机器学习（ML）估算氮含量和生长指标。总体而言，智能农业机械技术已从早期的单点突破发展为以多技术集成为特征的复杂系统工程。
由于作业目的和农艺需求各不相同，各类自主农业平台均建立了特定的感知—决策—控制结构。在植物保护系统中，使用机器视觉、光谱传感器和DL识别作物、杂草和病虫害区域；基于处方图和实时冠层传感生成空间显式施药方案，以实现变量、靶标选择性喷施。在收获系统中，使用视觉、振动、转速和损失传感器监测籽粒破碎率、物料损失和堵塞情况；滚筒转速、凹板间隙和清选气流均通过模糊控制或MPC进行调节。加工系统使用图像分析、近红外光谱和ML进行质量检测和分级识别，以及干燥和分选参数优化。通用感知—决策—控制架构与领域特定实现之间的协同作用，持续推动AASs向更高精度、自主性和全流程自动化发展。
2. 自主农业系统的核心使能技术
与常规自动化农业机械不同，AASs的特征在于感知、决策和控制能力的深度融合。感知模块获取多模态感官信息并生成语义丰富的环境表征。决策模块根据环境不确定性将这些表征转化为自适应作业策略。控制模块通过协调的多执行器调节实施这些策略，并通过闭环反馈机制维持系统鲁棒性。AASs的核心技术框架由此构建为连接感知、决策和控制的三层协同架构——每一层既使能又约束其他层的性能。感知、决策和控制并非作为独立模块运行，而是形成一个耦合的闭环过程，其中xk表示系统/环境状态，其估计表征，ωp、ωd和ωc分别表示感知不确定性、决策不确定性和执行扰动。这一公式强调，这三个功能不仅通过信息和状态反馈耦合，还通过不确定性和扰动在闭环中的传播而耦合。因此，在复杂、动态和不确定的农业环境中，自主性能取决于这三个功能的协同交互：智能地感知环境，在不确定性下做出明智的作业决策，并以高精度和自适应鲁棒性执行这些决策。
2.1 多模态传感器融合与环境感知
准确鲁棒地感知作业环境构成了AAS架构的基础层：没有可靠的环境感知，任何下游决策或控制动作都无法保证产生预期结果。提供这种能力是多源感知技术，其发展路径清晰：从使用单一传感器捕获单个物理量开始，发展到传感器融合，现正进入语义感知阶段——将多传感器数据直接转化为具有作业意义的表征，越来越多地通过学习而非手工设计的变换实现。感知系统已逐步转向多模态协同和高层语义特征表征。通过全面感知土壤、作物、环境和装备状态信息，多源感知技术在整个农业生产周期中提供关键数据支持。
在硬件层，AASs的感知架构基于多传感器框架，集成了机器视觉、全球导航卫星系统（GNSS）、LiDAR、多光谱/高光谱传感器和惯性测量单元（IMU）。红绿蓝深度（RGB-D）相机和LiDAR提供三维环境的几何和结构信息，多光谱和高光谱成像仪通过光谱反射特征捕获作物生理状态，土壤传感器测量水分、压实度和电化学特性，IMU跟踪机器的运动和姿态。多种感知模态用于实现多模态感知效果。多源融合的主要目标不仅是增加数据通道数量，而是通过适当的融合架构利用异构传感器间的互补信息。根据应用需求，可采用数据级、特征级和决策级融合策略来提高感知精度、鲁棒性和容错能力。
传感器数据转化为有意义感知信息的方式也在发生显著变化。基于图像处理和光谱分析的传统方法依赖人工设计特征和专家定义规则，具有计算需求低和可解释性强等优点，适合部署在资源受限硬件上。但在真实田间杂乱、多变和不可预测的条件下，手工特征通常会失效，导致泛化能力和鲁棒性崩溃。这推动了向DL的范式转变——特征直接从数据中学习而非预先指定。DL可通过端到端学习从复杂背景中提取高层语义特征，在目标检测、语义分割和状态识别等任务中表现出优越的适应性。然而，DL高度依赖大规模标注数据集，而农业场景中高质量数据的获取受高成本制约。
2.2 不确定性下的人工智能驱动决策与作业优化
智能决策在AAS架构中充当感知与控制之间的关键认知桥梁，其本质是将多源信息转化为作业策略和控制目标。现代农业机械的决策系统正逐步向数据驱动方法与物理机制相融合的动态优化范式演进。通过融合土壤、作物、环境、气象和装备运行状态等多源信息，可实现作业时机、轨迹和关键参数的协同优化。
统计与优化方法以主成分分析（PCA）、偏最小二乘回归（PLSR）和多元回归为代表，主要用于多源数据降维和关键变量提取，在揭示环境因素与作物生长相关性方面发挥重要作用，但难以表征复杂非线性关系。运筹学通过构建目标函数和约束条件优化资源配置和作业方式，为多目标决策问题提供了稳定的理论基础，但性能受模型构建质量制约，在复杂动态环境中适应性较弱。
基于机理模型的方法以作物生长模型（CGMs）为代表，通过呈现作物、环境和栽培管理措施的生理生态过程，具有明确的物理意义且易于理解。典型CGMs包括农业技术转移决策支持系统（DSSAT）、资源环境综合估算系统（CERES）和豆类作物生长模型（CROPGRO），已广泛用于产量预测和水肥管理优化。但这些模型需要大量参数化，难以调整，对环境敏感，不能满足实时性要求。
数据驱动方法以ML和强化学习（RL）为代表，通过构建输入变量与作业响应之间的非线性映射关系，可有效处理复杂系统中的不确定性，在产量预测、路径规划和作业优化等任务中表现出高精度。RL特别适用于序列决策问题，能够在动态环境中实现策略优化。但这些方法的工程应用受制于对数据质量和规模的强依赖，以及模型可解释性不足。
2.3 自适应精准控制与多执行器协调
精准控制作为AASs的执行核心，其主要目标是在复杂环境条件和扰动下实现作业参数的稳定跟踪和动态优化。PID、模糊控制和滑模控制（SMC）因其结构简单、实施成本低，仍是农业控制系统的基础选择，已成功用于耕深控制和姿态调节，但参数通常依靠试错法设定，在高度非线性或时变系统中表现不佳。随着控制理论发展，MPC和神经网络控制方法已被引入AASs。MPC通过滚动优化实现多变量约束下的预测控制，适用于复杂耦合系统；神经网络控制可逼近非线性动态特性，实现一定程度的自适应调节。然而，这些方法面临计算复杂度高、对模型或数据依赖性强等挑战，在资源受限的农业装备中广泛应用仍属难题。
智能控制方法的实际部署需考虑整体闭环延迟，而不仅是算法复杂度。在自主系统中，响应延迟涉及传感器采集、多源数据融合、模型推理、通信和执行器执行等多个环节。基于学习的方法虽具有强非线性逼近和自适应控制能力，但推理延迟可能随模型复杂度和硬件限制而增加。MPC要求在控制周期内重复在线优化，对具有复杂约束或快速动力学的系统可能带来可观计算负担。因此，实时实现需要在控制精度、计算效率和响应速度之间权衡。轻量化神经网络、边缘计算、模型降阶和快速优化算法为降低端到端延迟提供了有前景的解决方案。
确保可靠的闭环运行仍是学习控制方法的根本挑战。数据驱动策略可能无法在未训练条件或分布偏移下保持闭环稳定性，因此基于李雅普诺夫验证和自适应稳定性分析对神经网络控制器具有重要意义。此外，抗扰动鲁棒性、执行器限制和安全约束的显式处理，对高变环境下作业的农业机械至关重要。未来自主农业系统应开发融合物理模型、学习机制和安全保证优化的混合控制框架。
3. 农业生产全生命周期的集成自主系统
3.1 土壤耕作系统
根据作物类型选择合适的耕作方法对改善土壤结构、增强通气保水性、促进根系发育和提高水分利用效率至关重要。深松整地可增加土壤疏松度、改善土壤结构、抑制杂草生长，为作物高产稳产创造良好环境。随着AASs的发展，土壤耕作系统研究正从传统经验方法转向数据驱动感知和智能控制。关键使能技术包括高精度耕深传感、自主耕深控制和土壤阻力分析。
3.1.1 耕深感知与自适应控制
耕深不仅影响土壤翻转和破碎，还直接关系到播种深度一致性和种子-土壤接触，对出苗质量和产量具有关键制约作用。相关研究正从传统单一PID调节向多参数协同控制、负载感应和智能控制演进。2023年，Han等人设计了协同耕深控制模型，引入模糊控制策略实现耕深与发动机工况间的闭环调节，有效抑制过载现象。同年，Xiao等人开发了集成角位移和阻力传感信息的模糊PID耕深控制系统，降低了耕深误差并提高了土壤破碎率。2024年，Zhu等人引入扩展卡尔曼滤波（EKF）进行姿态测量检测模型的在线参数标定，通过递归估计和多传感器融合抑制振动干扰，结合PID控制实现稳定闭环调节。2025年，Tao等人设计了一种集成姿态和光栅传感器与线性自抗扰控制（LADRC）策略的电动旋耕机自适应耕深控制系统，实现了实时闭环深度调节，显著提高了变田间条件下的耕深稳定性。同年，Chen等人设计了可视化控制平台，集成扭矩、振动频率和倾角传感，采用B-PID控制实现挖深轨迹跟踪。Guo等人提出了基于阻力反馈的自激/强迫复合振动深松机，利用张力传感和自适应阈值控制实现振动模式自动切换，降低作业阻力并增强耕深稳定性。
3.1.2 土壤-机具相互作用建模与参数优化
土壤-机具相互作用机制的深入研究为自主耕作系统的结构优化和参数匹配提供重要理论支撑。由于土壤的空间变异性和非线性特征，以及土壤-机具相互作用过程中复杂的接触、破碎和流动行为，传统方法难以准确描述其力学响应。数值模拟已成为揭示耕作机理的重要手段。与解析和半解析方法相比，离散元法（DEM）能有效表征土壤颗粒的离散性质，在微观尺度揭示土壤扰动机制。2022年，Hoseinian等人建立了双翼深松部件的DEM模型，引入Hertz-Mindlin和平行键模型，结合土槽试验完成参数标定，提高了预测精度。同年，Kim等人建立了全尺寸拖拉机-犁-土壤模型，标定分层土壤和轮胎参数，在不同耕深下牵引阻力预测精度达90.8%。2023年，Bae等人引入Edinburgh弹塑性粘附（EEPA）接触模型构建了考虑土壤物理力学性质差异的拖拉机牵引阻力预测模型，田间试验验证了该模型在不同土壤条件下的较高预测精度和适用性。2024年，Fang等人利用响应面法构建了仿生弹性齿、土壤和残膜的相互作用模型，优化了齿尖曲率、安装角度和间距等参数。2026年，Kim等人考虑实测土壤容重、含水率和抗剪强度，用土壤参数标定EEPA接触模型，揭示了不同耕深下牵引阻力的变化规律。
3.2 种植系统
自主种植系统必须在时空变化的土壤条件、地形轮廓和作业速度下精确调控种子或秧苗的放置位置、深度和间距。感知层必须从视觉和测距传感器数据中提取导航参考特征（作物行、垄线、沟线）；决策层必须将感知的地形和土壤信息转化为种植参数；控制层必须执行协调的多执行器调节以实现规定的放置。不同作物在种子形态、摩擦特性和农艺要求方面存在显著差异，精密播种设备需要强多参数自适应调节能力。
3.2.1 导航感知与参考提取
导航线识别和作业目标感知是种植系统自动作业的基础。DL和轻量级模型已广泛用于识别作物行、垄线和树干，为播种、移栽和田间管理提供导航和定位参考。2024年，Zhang等人提出了一种用于秧苗导航的轻量级卷积神经网络（CNN）模型，通过改进特征提取模块并引入无参数注意力机制，结合随机样本一致性算法增强导航线拟合。Liu等人构建了基于机器视觉的垄线识别方法，提取感兴趣区域、灰度重建、阈值分割和轮廓检测后，使用近似四边形算法提取垄中心线，实现高精度导航识别。2025年，Lv等人引入了YOLOv8轻量化改进模型，优化特征提取结构并应用最小二乘法进行导航线拟合，降低了模型复杂度并提高了识别精度和实时性。2026年，Zheng等人构建了集成YOLOv8和ByteTrack的树干实时检测与跟踪模型，定位和触发算法实现了动态定位与控制，数据增强和边缘部署增强了模型鲁棒性和实时性。
3.2.2 路径规划与跟踪控制
路径跟踪控制稳定性是重要性能指标。该技术通过集成导航感知、车辆运动学建模和智能控制算法，使农业机械沿预定轨迹稳定作业。但在复杂田间环境中，土壤滑移、速度波动和地形起伏等因素会削弱传统路径跟踪算法的鲁棒性。常用路径跟踪方法包括PID控制、纯追踪、Stanley算法、MPC和SMC。2022年，Li等人针对无人水稻插秧机田间侧滑等不确定扰动，构建了融合径向基函数（RBF）神经网络的路径跟踪控制方法，抑制了系统抖振并提高了横向和航向跟踪精度。同年，Ahmed等人提出了数据驱动的多传感器融合动态避障方法，构建了实时路径规划和状态机控制框架。2023年，Zheng等人设计了基于机器视觉的垄向喷雾系统，结合Hough变换和EKF进行导航线检测，并设计了延迟补偿和闭环控制策略，实现了精准对行喷雾。2024年，Liu等人提出了基于超声波传感的垄跟踪方法，通过裁剪滑动窗口滤波器抑制异常测距误差，并结合模糊前视距离决策实现自适应路径跟踪。2025年，Wang等人设计了自调整前视距离纯追踪算法，通过运动学模型和误差评价函数优化前视距离。2026年，Song等人基于SMC采用扩展视线导引，利用状态观测器进行速度估计和侧滑补偿，增强了系统抗扰动能力；Cui等人将质心侧偏角引入运动学模型并构建MPC，通过Carsim-Simulink联合仿真验证了不同路径和速度条件下横向误差和侧滑振荡的降低。
3.2.3 精密播种/栽植与多执行器协调
精准作业和变量控制是提高自主种植系统作业质量的关键。利用多传感器融合、智能控制和数字孪生等技术，播种和移栽装备可根据土壤状况、作业轨迹和机具姿态等状态信息动态调整播种位置、深度和取投苗动作，实现种子或秧苗的精准放置。2024年，Yao等人提出了基于多传感器融合和有限状态机的全自动移栽协同作业方法，通过协调横向输送和纵向取苗机构实现精准苗盘定位和连续取投苗，使栽植成功率提高到95%。2025年，Shi等人开发了集成S形加减速规划和模糊PID控制的运动控制系统，实现了平稳运行和高精度定位。Li等人构建了集成多传感器信息和模糊PID控制的播深检测与调节系统，通过融合激光和阵列传感信息并在线调节参数，提高了复杂地形条件下的播深控制精度和系统稳定性。Ahmad等人利用虚拟样机和联合仿真构建了齿条齿轮式蔬菜秧苗输送装置的数字孪生模型，引入反馈控制和参数优化实现精确轨迹跟踪和位置闭环控制。Yao等人开发了基于超声波测距的底盘高度检测方法，通过回波特征分析和误差校正算法，将作业深度合格率提高至94.4%。
3.2.4 连续种植作业的机电协同
目前，全自动移栽系统在工程应用中仍面临苗盘供给连续性不足、取苗执行器稳定性低以及取投苗协调效率有限等挑战。自动化和机电协同设计推动种植系统向连续作业、高效低损伤方向发展。2021年，Yang等人设计了带式秧苗输送装置与可编程逻辑控制器（PLC）控制系统的机电一体化方案，通过运动机构和控制逻辑的协同优化实现了输送过程的精确定位和稳定运行。2022年，He等人基于预处理秧苗带构建了自动供苗和移栽协同控制系统，使用STM32微控制器进行闭环速度调节和执行器联动控制，降低了漏苗率。2024年，Shi等人提出了电机-气缸耦合多行鸭嘴栽植机构，通过末端执行器结构的运动学建模和仿真优化，促进了驱动系统与作业部件的协调匹配，降低了栽植阻力并提高了作业稳定性。2025年，Chen等人设计了小型电动穴盘苗移栽机，构建自动化作业单元，通过电机与气动系统的协同控制提高了系统作业效率和稳定性。2026年，Yao等人提出了多层苗盘输送和双爪协同取苗方案，基于轨迹规划和仿真分析，结合可切换加减速曲线和控制系统，保证了苗盘的连续供给。
3.3 排水灌溉系统
随着水资源获取成本上升，自主灌溉系统中均匀配水将变得困难，并损害作物产量和资源利用效率。因此，通过良好的水资源管理提高灌溉利用效率已成为重要课题。精准灌溉技术基于传感器监测、自动控制和信息化决策来精确调节“何时、何地、灌溉多少水”，其主要技术组成通常包括土壤水分传感、灌溉预报、需水决策和水肥一体化管理系统。
3.3.1 需水预测与灌溉决策
精准灌溉的基础依赖于通过多源数据和先进建模方法实现准确的作物需水预测和智能灌溉决策。人工智能模型可从多源观测数据中提取潜在模式，为缺乏完整机理模型或充足气象数据条件下的作物需水量估算和灌溉方案优化提供技术支撑。ET是土壤蒸发和植物蒸腾的水分损失之和，常用于预测作物需水量和规划水资源分配。但其预测过程受气象条件、作物类型和土壤状况等因素影响，呈现强非线性。2024年，Raza等人构建了基因表达式编程（GEP）模型，设计了17种气象因子组合，并在巴基斯坦不同气候区进行对比验证，结果表明该模型在多种气候条件下具有较高预测精度。2025年，Elbeltagi等人通过集成最小冗余最大相关（MRMR）特征选择方法与多结构神经网络，构建了长期实际ET预测模型。Wang等人采用DSSAT框架中的CERES和CROPGRO模块，并与ML耦合，构建了模拟棉花生长和优化灌溉制度的耦合模型，以解决干旱区棉花灌溉的渠系供水时间约束问题。2026年，Hussain等人收集了喷灌均匀系数和液滴直径的室内实验数据，构建了包含随机森林（RF）、支持向量回归（SVR）和多层感知器（MLP）的多模型预测系统，用于快速预测灌溉均匀性和液滴特性。
3.3.2 闭环灌溉控制与水力优化
精准灌溉系统正从传统开环控制向闭环反馈和自适应调节转变。2018年，Liu等人构建了ZigBee无线传感器网络，将实时基质水分检测模块与动态作物蒸散模型集成，触发基于阈值的多参数耦合决策系统，实现无土栽培精准节水。2024年，Pang等人以喷头为最小优化单元，采用遗传算法结合变频泵控制优化轮灌区，有效降低了喷头间压差，节省了18%灌溉能耗。2023年，Pan等人设计了一种新型自动旋转喷头并添加多种水流破碎装置，通过射流破碎和水力性能试验优化喷雾特性，使喷头均匀度提高54.89%。2025年，Xu等人构建了水量叠加计算模型并进行田间验证，优化了喷嘴直径、行进速度、喷头旋转角和路径间距，将灌溉均匀系数提高至95.0%。2026年，Tang等人通过物理试验、计算流体动力学（CFD）模拟和Box-Behnken响应面法改进阀芯结构，将压降降低22-33%，增强了系统水力性能。
3.4 施肥系统
氮、钾等关键养分的合理配置和高效利用是实现农业可持续发展的核心问题。然而，传统施肥方法普遍存在过量施用、分布不均和实时控制能力不足等问题，导致养分浪费、土壤退化和地下水污染。因此，面向作物根区的按需、定量、均匀施肥已成为智能施肥系统发展的重要方向。关键技术主要包括作物养分感知、施肥量精确控制和变量施肥决策。
3.4.1 作物养分与肥料流量感知
在作物养分传感和肥料流量检测方面，相关技术正逐步向非接触、高精度和多源融合方向发展。叶片叶绿素含量与氮素营养状况密切相关，可作为精准施肥决策的重要指标。2023年，Xu等人基于无人机多源影像构建了多维特征融合方法，利用灰色关联分析筛选关键变量，构建了并行多分支深度神经网络（DNN-F2），实现了高精度反演预测。Elsayed等人基于高光谱反射数据构建多源光谱指数，利用梯度提升回归模型实现了不同施氮水平下甜菜叶绿素、产量和品质参数的精确反演。Zheng等人开发了集成孤立森林和局部空间自相关分析的混合检测框架，实现了土壤氮数据中全局和局部异常的协同识别。2024年，Zhang等人利用无人机多光谱影像并结合支持向量机（SVM）和RF构建了叶绿素反演方法，实现了不同品种和氮胁迫条件下的作物氮素状况快速监测。2025年，Zhu等人提出了改进的YOLOv5s-seg视觉检测方法，通过轻量级网络和时间序列成像实现离心施肥中颗粒的精确分割和流量计算。Sun等人通过叶片和冠层尺度光谱数据融合，构建了多特征ML反演模型，利用4SAIL模型和CIELAB颜色空间进行多尺度特征变换，提高了果园冠层氮含量反演精度。
3.4.2 变量施肥决策与自适应控制
在施肥量控制和变量施肥方面，由于肥料颗粒的复杂流动特性和排肥过程中的显著脉动，均匀性和控制精度仍是挑战。2022年，Wang等人基于电容传感原理构建了在线施肥量检测模型，通过肥料流量与电容响应的关系结合PID闭环控制策略，实现了施肥过程的实时感知和动态调节。2024年，Gao等人基于分段线性插值设计了自适应施肥控制策略，建立了电机驱动信号与排肥轴转速之间的动态映射模型，实现自适应调节和多参数协同控制。2025年，Yu等人基于生态化学计量理论构建了作物养分调控框架，将DSSAT作物模型与XGBoost算法耦合，实现了氮磷比协同优化控制。同年，Yu等人通过DSSAT模型与遗传算法耦合提出了分阶段氮肥优化策略。
3.5 植物保护系统
随着传感器技术和人工智能的发展，自主植物保护系统正从传统均匀喷施向智能化和精准化方向转变。智能植保装备集成多源传感信息和数据分析算法，实现作物生长状态、病虫害、杂草和环境参数的实时感知。通过集成图像识别和自动控制技术，实现靶标施药和喷雾参数调节，从而减少农药用量并提高药效和作业便利性。目前，植保系统智能化研究多集中于田间信息感知、病虫害草识别以及精准喷施和变量施药。
3.5.1 植保作物与靶标感知
田间感知是自主作物保护系统的基础。机器视觉、红外成像和超声波传感器可用于获取冠层覆盖度、杂草分布和病虫害区域数据，为靶标识别和喷施速率调整提供支持。2022年，Wang等人利用植被光谱反射和荧光特性开发了低成本植被传感器，通过优化光源和波段参数，在黑暗和室外条件下均实现了100%的检测准确率。2024年，Chen等人开发了自动阈值分割方法，构建了棉田杂草识别算法，有效区分棉花幼苗和杂草。2025年，Ou等人提出了基于LiDAR点云叶片拟合建模与多因子回归耦合的冠层叶面积密度检测方法，通过点云预处理、聚类分割和几何重建实现果园冠层结构参数的高精度反演。Gao等人设计了田间喷雾机自动补液对接站，利用视觉伺服和改进的YOLOv5检测算法实现加注口识别、机械臂对接和液体输送的无人化操作。
3.5.2 精准喷施与变量控制
精准喷施和变量施药技术对农药利用效率和沉积均匀性有重要影响。通过使作业参数与液滴沉积的时空模式对齐，可实现按需、分区、靶标施药。2021年，Liu等人构建了基于CNN的变量喷施系统，实时识别杂草并触发靶向喷施，通过图像采集与执行硬件集成提高了喷施精度并减少了农药消耗。同年，Ji等人提出了采用LADRC的精准控制策略，利用扩展状态观测器进行在线扰动估计和补偿，通过粒子群优化（PSO）整定控制器参数，实现了更快的动态响应和更高的稳态精度。Dou等人开发了基于超声波传感和数据驱动信号处理的喷杆高度动态检测与控制方法，实时获取作业工况和喷杆角度数据，应用优化信号调理方案维持稳定喷杆高度调节。2023年，Li等人开发了断点续喷方法，结合卫星导航增强技术、轮式编码器定位、滞后补偿模型和PID流量闭环控制，减少了喷雾覆盖中的重喷和漏喷。
3.6 作物收获系统
自主收获系统是一类结构复杂、作业负荷高、智能化需求突出的农业装备。以联合收割机为例，其常在粉尘、振动和变负荷等恶劣条件下作业，关键连接件松动、堵塞和清选性能下降等问题频繁出现。这些问题不仅影响作业可靠性和收获效率，还可能在关键农时造成停机损失。因此，收获机械的状态感知、故障检测与诊断以及作业参数精准控制已成为重要方向。
3.6.1 作物与收获质量感知
在作物目标感知和在线收获质量检测方面，机器视觉、RGB-D相机、LiDAR、超声波传感器和无人机遥感等技术被广泛用于感知作物高度、割幅、倒伏区域和籽粒含杂率等收获性能参数。2023年，Hu等人基于改进的YOLOX网络和RGB-D融合策略，开发了水果采摘机器人的视觉检测与三维定位方法，在复杂果园环境中实现了目标识别精度和实时性的协同增强。2024年，Cui等人基于RGB-D相机、YOLOv5实例分割和Jetson Xavier NX边缘计算平台，构建了履带式水稻联合收割机自动卸粮系统，实现了卸粮区域识别和粮堆高度与卸粮时间的映射控制。Zhang等人基于车载双目视觉和改进的YOLOv5s算法，开发了麦穗识别、茬高估计和快速喂入量预测集成系统，通过高效多尺度注意力机制、C3Res2NetBlock多尺度特征提取模块和P2小目标检测层的集成优化了系统性能。2026年，Liu等人构建了轻量级语义分割网络StarNet-RiceSeg，通过Star Operation集成高维特征映射和残差空间注意力机制，并利用TensorRT部署于Jetson Xavier NX平台，实现了水稻倒伏区域的实时精准识别。Cui等人建立了多模态特征融合模型ImpurityWeightNet，通过集成多尺度图像特征与面积、长宽比、周长等结构属性，实现了联合收割机籽粒流中杂质质量的高精度估计。
3.6.2 机器状态监测与故障诊断
在故障检测与诊断方面，数据驱动方法已成为状态监测的重要手段。利用振动、声学、应变、转速和图像等多源传感器采集运行数据，通过信号预处理、时域/频域/时频域特征提取、降维分析和ML实现故障模式识别和状态诊断。2022年，Ma等人融合多点振动信号与时频域特征提取方法，结合PCA与极限学习机（ELM）、RF和SVM分类模型，实现了联合收割机脱粒负荷状态的快速识别和堵塞预警。2025年，Lian等人提出了基于多点三轴振动信号采集和时频特征分析的方法，利用无线采集系统与贝叶斯优化SVM模型集成，实现了输送槽螺栓运行状态的精准识别。Ma等人构建了多传感器采集系统，融合轴承振动和转速信号，采用小波分解、阈值判别和SVM模型，实现了马铃薯-土壤分离装置堵塞状态的精准监测。
3.6.3 收获参数自适应控制
传统联合收割机依赖机械传动系统进行动力分配，但其调速范围、动态响应和过载保护能力有限，难以适应喂入量、含水率、倒伏程度和地形条件的快速变化。智能控制系统已能够实现割台高度和前进速度等关键作业参数的自适应调节。2025年，Zhang等人基于多部件滑转率监测、SVM故障预测和模糊逻辑速度控制构建了无人联合收割机速度精准控制系统。Qian等人建立了永磁同步电机驱动脱粒滚筒的动态和电动驱动模型，采用递推最小二乘惯量辨识和PI参数自整定策略，实现了滚筒转速的自适应稳定控制。Liu等人构建了液压变径脱粒滚筒精准控制系统，基于油压和脱粒间隙实时监测，设计了自适应变论域模糊PID控制器，在不同喂入量下实现脱粒间隙在线调节。Zhang等人提出了大幅宽后轮转向联合收割机驱动系统，集成RTK-GPS、前馈PID转向控制和前瞻Ackermann路径跟踪算法，实现了AB线和圆形作业路径的高精度跟踪。Chen等人基于GPS、IMU和EKF多传感器测速，提出了基于长短期记忆（LSTM）网络的作业速度预测模型，结合增量PID闭环控制实现了作业速度的自适应调节和效率优化。
3.7 农产品加工系统
农产品加工系统支撑从田间生产向食品制造的转变。自动化程度直接影响加工效率、产品均匀性等性能指标。典型加工操作包括清理、分级、脱壳、去皮、干燥、贮藏和研磨。上述加工操作具有工艺连续性强、物料变异性大和质量要求高等特点。因此，过程监测、在线质量检测、性能预测和智能控制已被集成到统一框架中。
3.7.1 多源过程监测与在线质量检测
过程监测和在线质量检测现常采用多源传感和智能识别技术。用于农产品外部品质、化学成分和硬度实时测量的技术包括机器视觉、近红外光谱、X射线检测、微波传感和触觉传感器。2025年，Li等人提出了集成YOLOv8与ByteTrack的动态玉米籽粒计数系统，前者检测籽粒目标，后者处理多目标轨迹关联和跟踪，实现了杂乱环境中高精度籽粒计数和高处理速度。Li等人构建了改进的ResNet计算机视觉模型，通过视觉系统获取抹茶干燥样品图像，结合分光光度法数据建立非线性回归模型，实现了叶绿素含量变化的快速无损预测。Sun等人采用便携式近红外光谱和轻量级MobileNetV4模型，将Savitzky-Golay滤波、标准正态变量（SNV）变换和波段降维等传统光谱预处理方法与深度可分离卷积和注意力机制相结合，获得了98.33%的端到端分类准确率。2026年，Kang等人将微波无损检测应用于小麦粉中硼酸掺假检测，通过测量2.5-11.5 GHz频率范围内微波信号的幅度衰减和相位响应，并利用鲸鱼优化算法（RF-WOA）优化特征集和超参数的随机森林分类器处理所得光谱，实现了94.6%准确率的半定量分级检测。Cai等人开发了集成柔性触觉传感器阵列和仿生抓手的猕猴桃硬度无损检测系统，通过采集多维时间触觉数据并结合时间卷积网络、图卷积网络和分层图池化方法，实现了99.59%的高精度分类。
3.7.2 干燥过程自适应控制
在干燥过程智能控制方面，干燥需降低农产品水分含量并提高其储存稳定性和深加工适应性。谷物和农产品干燥过程控制涉及复杂的热传递、水分迁移和品质变化，本质上具有非线性、大时滞和强耦合特性。固定参数控制方案和依赖操作者的经验调整是行业内标准做法，但当入料水分变化、环境温湿度变化或物料物理状态（收缩、表面硬化）影响干燥动力学时，这些方法难以有效处理。2025年，Pei等人构建了姜片远红外和热风联合干燥的多传感器融合控制系统，集成电子鼻和机器视觉实现风味和颜色的在线感知，通过相关分析建立两阶段模糊控制模型，实现了加热功率的动态调节和产品质量的协同优化。Sun等人基于近红外光谱和低场核磁共振开发了胡萝卜干燥过程中颜色变化的无损在线监测方法，引入阈值触发机制和MPC实现微波功率和温度的自适应优化。2026年，Peng等人通过集成机器视觉和气味传感信息，采用PSO优化的最小二乘SVM建立逆模型，并与PID反馈控制集成，实现两阶段动态温度调节和在线优化，提高了活性成分保留率和整体干燥质量。Song等人采用高斯过程回归（GPR）-MPC框架，将机理模型与数据驱动方法结合进行含水量预测和误差补偿，实现干燥过程参数的自适应调节和精确控制。
3.7.3 数据驱动的性能预测与过程优化
ML方法可预测过程性能、优化能耗和调控产品质量。人工神经网络（ANNs）可在输入参数和输出响应之间形成非线性映射函数，非常适合干燥时间、颜色变化、营养保留和有效扩散系数等多目标预测问题。2025年，El-Mesery等人通过结合ANN和自组织映射（SOM）构建了微波-热风耦合干燥的预测优化模型，研究温度、风速和功率对秋葵颜色变化、水分活度和维生素C含量等重要质量指标的影响，通过PCA实现多参数协同优化。2026年，Han等人构建
