农业AI虫情测报定制：灯诱图像与发生期预测

在智慧农业场景中，虫情测报灯的诱集图像长期依赖人工分拣计数，一个县域测报点每晚可积累数百张图像，识别与归档往往滞后一周以上。农业AI实验室近期围绕「灯诱图像自动识别＋发生期外推」做了阶段性验证，重点解决两个问题：夜间补光下的虫体粘连，以及不同虫种的尺度差异。

技术路线上，先用背景建模剔除灯管反光与雨水条纹，再对粘连虫体做分水岭分割，最后以轻量分类网络输出虫种与数量；数量序列按日聚合后，输入带温湿度外生变量的时间序列模型，外推未来7天的发生趋势。

进展与数据：在3个水稻与玉米测报点的历史数据上，主要靶标害虫（稻飞虱、二化螟、玉米螟）分类准确率约88%，单张图像处理耗时约0.4秒，可部署于边缘盒子；发生期预测的峰值日误差在±2天内的比例为82%，较人工经验判断提升明显。