Appearance
半夜打着手电巡田的人，和一天巡一千亩的它
农业机器人系列 · 01 · 智能巡检机器人
一、老李的深夜巡田记
晚上十一点半，老李打着手电出了门。
500 亩地，稻子正处在抽穗的关键期。白天雇的工人下班了，可病虫害不看钟点——稻飞虱最爱夜里闷热的时候扑上来，等第二天早上肉眼看见叶子上成片的褐斑，药钱要翻倍，产量已经受损。
这样的夜路，老李一个月要走二十趟。手电照到哪里看到哪里，一晚上走下来也就看了三成田，剩下七成靠猜。他还得猜肥料够不够、水是不是灌多了、隔壁那块地前几天的病会不会传过来。
这就是今天要拆的场景：农业智能巡检机器人——让机器替人“看田”。
先把这张场景卡片摆在桌面上（这些数字后面都会算账用到）：
| 场景卡片 | 内容 |
|---|---|
| 任务 | 巡田：看长势、找病虫害、查缺水缺肥 |
| 环境 | 露天大田/果园/温室：泥泞田埂、狭窄垄沟、夜间作业、日晒雨淋 |
| 频次 | 关键生长期理想状态每天一遍；人工只能做到每周 1 次左右 |
| 人工成本 | 一个熟练工人巡 500 亩，一天走不完；人工成本加上“看漏了”的损失才是大头 |
| 看漏的代价 | 病虫害晚发现 2-3 天，防治成本上升，产量受损 |
二、机器人是怎么“巡田”的？
把巡田这件事拆开，其实就三步：看得到 → 想明白 → 告诉你。
第一步，“看得到”——给庄稼做“体检 CT”。
人眼看庄稼，只能看个表面。巡检机器人身上装的是多光谱相机——打个比方，人眼只能看见“这件衣服是绿色的”，多光谱相机能看见“这件衣服洗了几水、面料是不是起了毛”。作物生病或缺肥时，叶片里的叶绿素会变化，这种变化在肉眼看出发黄之前好几天，就已经在特定光波段里显形了。再配上温度、湿度、光照传感器，把田里的“体检数据”一次采齐。
第二步，“想明白”——机器人脑子里装着一个“AI 医生”。
采回来的数据，机器人自带的 AI 模型当场分析：这片叶子的光谱特征对上的是稻飞虱还是纹枯病？这块地的长势属于哪一档？这些“诊断经验”是怎么来的？——是喂出来的。工程师先把几万、几十万张“生了什么病、缺什么肥”的标注图片教给 AI，它才能举一反三。
第三步，“告诉你”——回程路上报告已经生成。
机器人沿着垄道自己走，靠激光雷达看清脚下的路，遇上田埂、水沟自己绕。巡完一圈，你的手机上多了一份田块报告：哪几块地有问题、问题是什么、建议怎么治。现在业内做到哪一步了？农户对着手机说一句“帮我去三号田看看水稻长势”，机器人就自己出发了。
软的部分：多光谱/视觉识别模型、路径规划、农场管理软件；
硬的部分：能走泥泞垄沟的底盘、激光雷达、多光谱相机、防水外壳、撑得住一整天的电池。
哪一项弱了都不行——这恰恰是后面“盘点”要回答的问题：市面上的产品，各自补齐了几块拼图？
三、市面上都有谁？（全球范围盘点）
巡田这件事，市面上的玩家分三个门派（由天到地）：
卫星遥感派：卫星每隔几天扫一遍大地，看大趋势很合适，但分辨率到不了“某一株稻子生了什么病”的颗粒度，阴天还要“失明”。代表玩家：海外的 Planet Labs（每日全球成像的卫星星座）、拜耳 Climate FieldView（整合卫星影像的农场数据平台）；国内的佳格天地、珈和科技等农业遥感服务商，把卫星影像加工成作物长势、产量预估类的数据产品。
无人机派：植保/遥感无人机飞一圈拍照，速度快、单次覆盖大，多光谱拍出 NDVI 长势图、AI 出处方图，已经能变成可执行的农事建议。短板是“飞过就拍、拍完就走”——很难像地面机器人那样贴着作物连续监测，且受风雨和续航限制。代表玩家：大疆农业（T 系列植保无人机+智慧农业平台）、极飞科技（农业无人机+遥感无人机+智慧农业系统），产品线成熟，巡田多是“飞行作业顺带完成”；麦飞科技走的是无人机遥感加植保服务的数据路线；海外的 Taranis 把叶片识别做到亚毫米级，按订阅制收数据服务费。
地面机器人派：本文的主角。贴地行驶、贴近作物，看得最细，还能顺路把土壤墒情、小气候一起采了，天然是“田间数据采集员”。短板是速度慢于无人机、对底盘通过性要求高。代表玩家：海外的 Burro（美国果园协作机器人，跟随工人搬运的同时采集田间画面）、国内的极飞 R150 农业无人车（可搭载设备执行巡田运输等任务）、瑞丰耘田间智能巡检机器人、西北农林科技大学团队智能苗圃巡检机器人等。另有一种四足“机器狗”模式，如成都绿控农业的巡检机器狗，据公开报道，2025 年已在成都稻田上岗，做毫米级虫害预警。
如需真实数据或商业合作，本号可协助对接匹配厂商与场景方——场景双向匹配小工具（www.aicdo.com/tool，复制上方链接到浏览器打开，或点文末“阅读原文”）。
重点拆解一两家有代表性的，看它们把三步走通了没有——
拆解对象一：瑞丰耘田间智能巡检机器人（江苏瑞丰）
这是目前公开报道中把“地面巡检 + AI 决策 + 农机联动”走得比较完整的一家。按公开报道整理（未经本号实测）：
- 怎么走：搭载 360° 激光雷达和高精度定位，厘米级自主导航、自动避障，狭窄田垄、起伏坡地可通行；
- 怎么看：多光谱相机 + 温湿度光照等环境传感器；
- 怎么想：机载轻量化 AI 模型当场识别病虫害、判断长势，公开报道称识别准确率 90% 以上；
- 干得怎么样：单台一天巡田近千亩，效率为传统人工的 2-3 倍，数据采集标准化率 95% 以上，能提前 48-72 小时预警病虫害风险；
- 闭环打法：机器人背后是“瑞丰耘”农业智能体平台——巡检报告直接变成“农事处方”，可以派单给无人耕播机、植保车去执行，形成“感知—决策—执行”的链条。据报道，该平台已覆盖 16 万亩、积累农业数据超 32 亿条、整合 74 种农作物知识库；
- 试点：江苏扬州邗江区千亩稻田已试点“上岗”。
值得注意的一点：瑞丰把“巡检”做成了一门数据生意——机器人是入口，真正值钱的是常年积累的田块数据和据此下的“处方”。这正应了我们这个系列反复讲的那句话：场景产生数据，数据反过来才是护城河。
拆解对象二：智能苗圃巡检机器人（西北农林科技大学团队）
同一套技术思路，换到苗圃场景。苗圃是典型的“高价值集约化”场景：全国约有 15 万家苗圃企业、年产值近 5500 亿元，而病虫害造成的苗圃损失可达 20-30%——庄稼越值钱，“看漏”的代价越高，这正是巡检机器人先在苗圃落地的原因。
按公开材料整理：
- 技术：光学成像 + 机器学习识别，SLAM+RGB-D 导航（已有实用新型专利），自主规划巡检路线、主动避障，巡检报告自动生成上云；
- 数据积累：已完成蔬菜种苗 20 万株、桉树种苗 8 万张、葡萄种苗 1 万张图像的采集分析——注意，这些图像数据就是第二段讲的“AI 医生的课本”；
- 产品进度：二代机进入生产阶段，在湛江桉树苗圃、温室蔬菜苗圃有应用场景验证；
- 商业模式（数据仅供参考）：设备销售（标准版售价 15 万元/台、Pro 版 25 万元/台）、租赁约 1.5 万元/月/台（覆盖约 150 亩）、巡检服务约 10 元/亩/月、SaaS 数据服务数千元/年起——“卖设备、卖服务、卖数据”三份收入。
一句话对比：瑞丰耘胜在“平台+农机联动”的体系化，苗圃机器人胜在“单场景打透+数据变现路径清晰”。两家正好示范了这个系列的两种典型打法。
再往海外看一眼：精准农业巨头（如约翰迪尔等）在“除草/对靶喷药”环节已有商业化产品，但巡检产品尚未产业化；英国的 Small Robot Company 用四轮小车“Tom”在英国麦田里逐株监测好几年，至今也还无法量产。可见，“通用型地面巡田机器人”在海内外都还处在从试点走向规模化的阶段——这个场景全球都还没到“闭眼买”的程度，这正是它值得持续关注的原因。
换一种场景，换一批玩家
巡田，是“巡检”这件事里最难的一格。同一套“看得到—想明白—告诉你”的系统，搬到别的场景，玩家和进度就换了一张表：
温室/设施巡检：环境最规整，落地最快。轨道、轮式、飞行机器人在温室里自主巡航，AI 视觉加高光谱、环境传感器一起上——托普云农的植保巡检机器人，企业口径称已在寿光大棚里测蓟马；奥地利 Avemoy 的飞行监测已落地奥地利、荷兰的温室（Fruitnet 2025）；荷兰 Viscon 的 EVA 号称能识别 0.012 毫米级的害虫。
果园巡检：全地形底盘在行间巡航，常与喷药、运输合成一台机器。江苏极目机器人在丘陵果园做无人车；岚江科技的 S500Pro/S1000 以喷洒为主、兼顾巡检；觉物科技可变形底盘已在新疆农田做模块化巡检；北京羲牛智能 2026 年在河北威县、魏县建起梨园测试生产基地。
养殖巡检：换到室内，难度反而降了。上海睿畜科技把巡检与生猪精准饲喂打通；北京小龙潜行的“牧瞳”多光谱系统能在低光照猪舍里识别猪只体征，已与牧原合作。
水产巡检：水面上无人船投饲，水底下水下机器人查网箱。江苏叁拾叁的无人投饲加水下巡检，据企业及媒体口径已落地 800 余个项目；挪威 Remora Robotics 把网箱清洗与 AI 巡检做成一台水下机器人，2025 年融资约 1600 万美元。
把这几种场景排在一起，是一条很清楚的光谱：环境越规整、越可控，落地越快——温室和养殖都关在室内，进度明显快过露天果园；露天巡田则是最难的一格，对象是活的作物，病害又是长尾的，模型换一块田就得重学。不是技术不行，是“课本”太难编。
四、这个场景缺什么数据？
巡检机器人的“AI 医生”水平，取决于“课本”厚不厚。目前的真实情况是：
- 公开数据集有底子、不够用：学界已有数十万张级的植物病害公开图片数据集，但多为实验室拍摄，与真实大田的光照、角度、背景差距很大——AI 在“考试卷”上考 90 分，下地可能只有 70 分；
- 长尾病害缺样本：常见病虫害数据多，罕见病、新病、特定品种的数据稀少；
- 真正稀缺的是“带处方的闭环数据”：不只拍下“这片叶子有病”，还要记录“后来用了什么药、效果如何”——这类数据只能从真实田里长年累月攒，谁攒得多，谁的机器人就“看病”越准。这也解释了为什么像瑞丰这样的公司要自己下田试点：买机器人只是开始，攒数据才是长跑。
五、理论与实践，落地和揭榜
理论线：多光谱遥感+深度学习识别作物病虫害，是近五年学界公认的主流路线，公开研究的识别准确率普遍在 85%-95% 区间——但研究结论几乎都附带同一句提醒：换一块田，准确率会掉，需要本地数据再训练。这印证了第四节说的“数据才是关键”。
实践线：扬州邗江的某种粮大户的经历被当地媒体报道过——以前汛期整日扎在地里人工巡田，现在对手机说一句话就能让机器人代劳；瑞丰与扬州大学某教授团队合作的“AI 平台 + 九合一无人耕播机”组合，还曾承包 300 亩复垦生地种小麦，夏收亩产据报道达到 1000 斤。“机器看田”和“机器种田”开始互相咬合，这是这个赛道最近一年最实质的进展。
判断：农业巡检机器人在 2026 年处于“试点验证→区域推广”阶段。 规模化农场、高价值经济作物（苗圃、果园、设施农业）先用得起、先受益；小农户更适合“按亩订阅巡检服务”的模式等价格再降。想现在入场的，先算三笔账：人工巡田的真实成本、看漏病虫害的损失、以及你的作物是否足够值钱——三笔账算下来为正，就值得试点。
本期揭榜卡（欢迎工程师、学生、技术爱好者揭榜，通过文末入口提交方案，优质解答下期署名刊登）：
- 小样本病害识别：某地区特色作物的新发病害只有几十张标注图，如何让识别模型可用？（提示：迁移学习、数据增广、开放集识别）
- 泥泞田埂的导航：雨后垄沟泥泞打滑、垄形不规整，轮式底盘导航容易“跑偏”，低成本的解决方案有哪些？
- 多光谱的性价比：多光谱相机价格数倍于普通摄像头，哪些场景必须上多光谱、哪些用 RGB 相机+好算法就够？
互动入口（复制下方链接到浏览器打开，或点文末“阅读原文”或扫码直达）：
- 你有“干不了、干不起、干不好”的真实场景？提交到场景众筹（www.aicdo.com/tool），选中场景免费出适配方案
- 你是机器人企业或者技术大拿？也提交产品与技术信息，进入供需匹配库（www.aicdo.com/tool）
▲ 扫码直达「场景众筹 / 技术招贤」小工具（或点文末阅读原文）