编辑推荐：
本文系统综述了智能精准施药决策技术，构建“模型演进-系统集成-应用形态”三层框架。研究揭示了决策模型从规则驱动、数据驱动到融合驱动的演进轨迹，其核心是“传感-决策-执行”技术链的集成与应用。未来，决策系统将向因果理解、集群协同与泛在服务演进，为农业绿色转型提供关键技术支撑。
在全球农作物病虫害加剧的严峻形势下，传统施药方式因其效率低下和易产生药害等弊端，已难以满足现代农业绿色发展的需求。发展具备精准、减量与高效特点的智能植保技术，成为推动农业绿色转型的必然选择。本文聚焦于智能决策这一核心环节，系统梳理了该领域的技术发展脉络。
智能决策模型的技术演进
决策模型的演进，反映了农业知识与机器智能关系的深刻重构。其发展轨迹清晰地从经验编码走向了数据学习，并最终迈向知识协同。
规则驱动模型是农业决策智能化的最初形态。它将人类专家经验和科学知识，编码为明确的逻辑规则、数学模型或阈值条件，从而构建可复现、可解释的计算机制策系统。早期代表性研究，如棉花管理系统（COMAX）和小麦病虫害决策支持系统（EPIPRE），尝试将作物生长或病害流行的机理模型与专家规则有机结合。这类模型的主要优势在于规则系统的透明性，便于农技人员理解和验证结论。然而，这种依赖于“知识编码”的设计，受到知识工程完备性的严重制约，其知识库难以覆盖无限复杂的田间非典型情况，且缺乏从数据中自我演进的能力。
随着传感器普及与算力突破，数据驱动模型应运而生。此类模型不再仅仅是复现已有的人类规则，而是尝试从海量数据中自主挖掘病虫害与最优防控行动之间的复杂关联。
- •
传统机器学习模型：此阶段研究主要遵循“特征工程结合浅层模型”的技术路径。研究者首先基于领域知识，从图像或传感器数据中手工设计并提取判别性特征（如颜色、纹理、形状等视觉特征，或由光谱反射率计算的特定植被指数），再输入支持向量机（SVM）、随机森林等分类器进行训练。该方法的性能上限受限于人工设计特征的质量，本质上仍是领域知识的显式编码。
- •
深度学习模型：深度卷积神经网络（CNN）的出现引发了决策模型的范式变革。CNN通过多层非线性变换，从原始像素中自主习得层次化的抽象特征，实现了从感知数据到行动决策指令的端到端映射。YOLO、Faster R-CNN等架构已成为病虫害识别与定位的主导框架。当前研究重点已从单纯追求准确率，转向平衡性能与计算效率，通过注意力机制、轻量化模块设计、模型剪枝/量化等策略，推动高性能模型在嵌入式设备或移动终端部署，标志着从“实验室原型”向“田间工具”的务实演进。
当下，前沿研究集中于通过物理机理、领域知识与多模态信息同数据驱动模型的协同融合，以构建更具洞察力、适应性和可信度的新一代智能决策系统，即融合驱动模型。
- •
多模态与细粒度信息融合：田间决策的复杂性要求模型不仅能综合多源信息以应对不确定性，还需能区分高度相似目标间的细微差异。通过设计渐进式局部注意力机制（PLAM）等方法，模型能够在强调整体虫体结构的同时，渐进定位并提取包含细粒度特征的判别性区域，有效提升复杂背景下识别准确率。多模态信息融合旨在超越单通道感知的局限，通过协同利用可见光图像、高光谱数据、红外成像及环境传感器读数，模型可构建对田间状态的综合认知。例如，红外与可见光特征的融合，通过双分支融合检测网络利用光谱互补性，显著提升了特定光照或遮挡条件下的目标检测精度。
- •
复杂田间环境下的自适应模型设计：真实的农业环境充满复杂干扰因子，如作物与杂草混杂、光照多变、叶片遮挡、目标微小等。为提升模型在非理想条件下的鲁棒性，研究从网络架构创新、训练策略优化到场景化设计等多个层面展开。例如，通过引入多尺度特征融合、注意力机制及Transformer架构，使模型能更好地融合上下文信息，捕捉不同尺度目标，并依据局部可见信息推断被遮挡部分。面向特定应用场景的系统级优化也至关重要，例如将无人机遥感与边缘智能结合，构建从感知到决策的无缝链接，以满足田间作业的实时处理需求。
智能施药系统应用
智能决策模型的价值，最终需通过其在复杂田间生产环境中的有效部署来实现。遵循“多源信息融合–实时边缘计算–精准控制执行–集群协同调度”的技术逻辑，系统集成需克服从感知到执行的多重挑战。
多维信息感知系统是有效智能决策的前提。这个协同感知网络聚焦于目标状态，将复杂的田间场景解构为可量化的决策变量。
- •
靶标信息感知：识别防治对象是精准施药的首要前提。现代感知技术推动了靶标（病害、虫害、草害）监测从人工踏查向智能化、自动化系统演进。无人机（UAV）遥感平台已成为获取空间分布信息的重要手段。人工智能算法与无人机感知的深度融合，显著提升了识别的自动化程度与准确性。当前研究致力于通过模型创新与多源信息融合进一步提升精度与可靠性。
- •
作物本体信息感知：作为农药的载体，作物本身的状态，尤其是其三维冠层结构，是调控施药决策的关键物理变量，直接决定了药液在冠层内的沉积与分布效率。以无人机激光雷达（LiDAR）和高光谱成像为代表的三维表型感知技术，正在革命性地实现作物冠层体积、孔隙度、高度、生物量等关键结构参数的精准、无损、高通量获取。这些精确获取的冠层结构参数，是实现“冠层自适应”变量喷施的直接决策依据。研究表明，将冠层体积与无人机飞行及喷施参数关联，可建立实时流量调控模型，驱动喷施系统根据冠层大小自适应调节喷量。田间验证显示，基于LiDAR的变量喷施系统可在保证防治效果的同时，降低农药用量最高达43%。
- •
环境信息感知：环境因子构成了施药决策的动态约束与最佳时间窗口。气象条件与田间微环境共同调控着病虫害的发生流行规律、农药的理化性质与持效期，以及施药作业本身的可行性与安全性。因此，一个能够实时、可靠、持续采集环境数据的感知系统，对于确定最佳施药窗口、优化农药选型与用量、评估作业风险乃至预测病虫害发生趋势都至关重要。以物联网（IoT）技术为核心的田间传感器网络是构建该环境感知子系统的基石。
实时边缘计算面临复杂的现场环境要求。地面喷药机和植保无人机以数米每秒的速度行进，要求从感知到决策的链路在100毫秒甚至更短时间内完成。这使得复杂的深度学习模型必须在算力、存储和功耗资源高度受限的边缘设备上运行。挑战的核心在于平衡复杂模型的高计算需求与边缘设备的有限算力。计算延迟与模型复杂度直接相关，模型轻量化成为必经之路。通过设计高效架构（如MobileNet, GhostNet）及采用深度可分离卷积、模型剪枝与量化技术，可大幅压缩模型体积与计算量。边缘部署是一个全链条的工程挑战，未来趋势是“自适应计算”与“硬件-算法协同设计”。
决策处方的精准执行首先依赖于处方图的生成。这是一个基于多源感知信息的智能决策过程。研究领域已形成成熟的技术路径：利用无人机获取的多源遥感数据，通过机器学习模型反演关键作物信息，据此构建空间分布图，并最终数字化为处方图。处方图的高保真执行则依赖于先进的变量控制技术与系统集成。执行系统需准确地将处方图蕴含的地理坐标与施药量指令，转化为喷头的开关与流量控制。脉宽调制（PWM）变量喷施技术是当前主流解决方案，其通过高频控制电磁阀的占空比来精确调节流量。其核心挑战在于克服系统延迟、动态扰动与协同控制。离线与在线两种执行模式共同推动着实际应用。在线实时变量喷施系统集感知、决策与控制于一体，对系统实时性与可靠性要求极高。离线变量喷施则基于预先生成的2D或3D处方图作业，无需昂贵的在线传感设备，更易于大面积推广。
当前挑战与未来发展
在精准施药决策技术从理论走向田间应用的关键阶段，一系列深入而广泛的挑战逐渐显现。这些挑战相互关联、层层递进，共同构成了该领域进一步发展必须面对的核心议题。
当前，模型在封闭数据集上表现良好，但农田是高度复杂的开放环境。光照变化、作物品种差异、未知病虫害类型、多样的种植模式等，都对模型的泛化与适应能力构成严峻考验。未来的突破方向在于，使模型不仅能识别已知模式，更能融合先验领域知识，并具备一定的类比推理与因果推断能力，从而在少样本甚至零样本条件下仍能做出鲁棒判断。
决策的准确性离不开对多源信息的深度融合与理解。尽管多模态感知已成趋势，但如何实现图像、光谱、点云、时序传感数据与文本知识等异构信息的深度语义对齐与互补，仍是一个开放性问题。构建能够统一表征田间状态的结构化知识体系，例如通过农业知识图谱将专家经验、农艺规则与实时传感数据关联，是实现从“感知”到“认知”跃迁的关键。这不仅能提升决策准确性，也能为决策过程的可解释性提供依据，有助于建立人机信任。
智能施药作为一个完整的“感知-决策-执行”闭环系统，其最终效率高度依赖于系统级的鲁棒性与可靠性。实验室中独立的算法模块在集成后，往往需要面对通信延迟、硬件故障、环境扰动等现实约束。因此，未来研究需更加关注系统级设计，包括在边缘计算环境下平衡算法性能与功耗、设计能够抵抗部分环节故障的容错控制架构、确保整个信息物理系统在长期无人值守条件下的稳定运行等。这需要从单纯的算法创新，转向跨软硬件的协同设计与系统工程优化。
在经济可行性与采纳意愿层面，该维度无疑是决定此类技术能否商业化的关键。目前，高端传感平台与边缘计算单元的高昂成本，以及系统运营维护的复杂性，已成为技术普及的首要障碍。未来研究不仅需要通过算法轻量化与硬件集成继续削减成本，也需探索设备租赁、按需服务等创新商业模式。
