智慧农业AI定制实验室近期围绕田间病虫害识别的落地条件做了一轮小规模实验。与实验室环境不同，田间图像的主要难点并非模型容量，而是弱光、逆光、叶片遮挡与背景杂草造成的类间混淆，同时高价值病害样本天然稀缺，直接按常规分类范式训练很难收敛到可用精度。
本轮实验采用两条互补路径。其一，以健康叶片与常见背景作为负样本，先训练“疑似病斑”检测器，再由分类模型在裁剪后的小图上做细粒度判别，把算力控制在边缘设备可承受的区间；其二，引入少量人工标注叠加田间巡检回传数据做增量微调，按周更新，持续观察误报率变化。
初步结果显示，在番茄与黄瓜两类作物上，常见叶部病害的漏检率较基线下降约三成，但阴雨天气与露水反光条件下的误报仍偏高，说明单纯依赖可见光图像存在上限。下一步计划将气象站的光照、湿度与叶面湿润时长作为上下文特征接入判别环节，并验证多地块之间的模型迁移效果与标注成本边界。
评论