智慧农业AI定制实验室近期在虫情测报方向完成了一轮实验性验证。传统虫情测报灯依赖人工开箱、肉眼分类，一个县级站点一季需投入大量工时，且夜间高峰时段虫体堆叠会带来明显漏计。我们以连续两周的灯诱图像为基础数据，先做了三件事：用背景差分结合形态学处理剥离灯管光晕与虫体阴影；按虫体长宽比与翅纹特征建立初筛分类；再把识别结果按小时段与温湿度关联统计，观察迁飞高峰与气象因子的耦合关系。
要点：
- 进展：在自建小样本集（8类常见害虫、约4200张标注图）上，单帧计数误差控制在±2头以内，稻飞虱与叶蝉的混检误判率降至7%左右；雨夜与强光干扰下的漏检尚未收敛，是当前主要误差来源。
- 下一步：与植保站合作补充不同地域、不同季节的图像，引入时序信息做跨帧去重，并尝试将模型压缩至田间边缘设备，降低图像回传带宽压力。
我们不对“替代植保员”做预期，短期目标是把可复核的计数与种类分布先做稳，再由农技人员判断是否触发防治。
评论