在智慧农业方向，我们近期把重心放在「田间自然场景下的病虫害识别」这一环节。与实验室拍摄的干净样本不同，真实田块存在逆光、叶片遮挡、露水反光与背景杂草干扰，直接套用公开数据集模型时，现场误检率明显偏高。
本阶段我们做了三件事：
- 数据侧：与两处示范基地合作，按「作物—生育期—病害等级」采集叶片与冠层图像，建立标注规范，重点补充早期症状与相似病害的对照样本；
- 方法侧：将识别任务拆为「先定位病斑区域、再做等级判别」两步，降低整片背景对判别的干扰，并在边缘端量化部署，单张推理控制在百毫秒级；
- 验证侧：以人工复检为基准，对轻中度症状的判别一致性做了对比，早期症状的召回仍有提升空间。
下一步计划将识别结果与田间气象数据结合，尝试输出「未来 3～5 天病害扩散风险」提示，并验证预警是否真正影响施药决策，而不只停留在识别准确率本身。
评论