在智慧农业方向，作物病害识别看似是成熟的图像分类任务，但落到真实稻田里，问题往往不在模型结构，而在数据分布。我们近期在农业AI实验室做了一组对照实验，重点考察田间光照与样本不均衡对识别效果的影响。
数据集来自三个生育期的稻田实拍，包含稻瘟病、纹枯病、白叶枯病及健康叶片四类，共约1.2万张。原始分布中健康样本占比接近六成，病害类别中纹枯病样本最少，且多在阴天或早晚弱光下采集。直接训练时，模型对健康叶片的召回率可达0.94，但纹枯病召回率仅0.61，误判主要发生在逆光与叶面反光区域。
进展与处理思路：
- 光照侧：不追求归一化到统一亮度，而是按色温与直方图分布聚类，为每类光照条件保留独立增强分支，弱光样本采用自适应伽马校正，避免过曝丢失病斑边缘。
- 类别侧：采用按类别频次的加权采样，并对少数类做旋转、局部遮挡与色彩抖动增强；损失函数改用类别平衡的焦点损失，抑制健康样本的梯度主导。
调整后，纹枯病召回率提升至0.82，整体宏平均F1从0.74升至0.85，健康样本召回率仅下降0.01。下一步计划引入分生育期的时序信息，并验证在移动端轻量模型上的可用性，重点观察不同品种间的迁移表现。
评论