农业AI实验室近期在稻田虫情测报方向完成一轮田间验证。做法是：灯诱设备夜间拍照，边缘端先筛除空帧与雨滴、叶片等干扰，云端再对虫体做检测与分类。
难点不在单只识别，而在“数得准”。虫体相互堆叠时检测框容易合并或漏检；同一属的近缘种在低照度下纹理差异极小。因此我们把计数从“框个数”改为密度图回归，并对稻飞虱、二化螟等主要目标分别设定阈值；同时以人工镜检抽样作为弱标签，按监测点与日期分层做置信度校准。
试点数据（12个监测点、6周）：主要害虫计数与人工镜检的相关系数为0.86，单帧计数绝对误差中位数约3头；夜间高湿时段的误检偏高，是目前主要误差来源。
下一步：将计数结果接入积温模型，试算防治阈值预警的可提前量；并尝试区分灯下天敌昆虫，避免“见虫就报”导致的无效施药建议。
评论