本实验室在示范基地番茄温室开展作物病害识别实验，重点解决田间小样本与复杂光照下的稳定性问题。采集设备覆盖清晨、正午、傍晚及阴天，图像包含单叶、重叠叶片与逆光场景。方法上，采用预训练模型提取特征，结合少量标注样本与伪标签迭代，对早疫病、灰霉病、白粉病进行病斑分割与分类。初步结果：正常光照下识别F1约0.86~0.89；强逆光与叶片重叠时漏检率上升约12个百分点。团队加入光照归一化与遮挡感知注意力模块，并将模型量化部署至边缘推理盒，单帧耗时约80毫秒。
要点：
- 半监督与伪标签策略将单类标注需求从约300张降至80张左右，验证集F1保持0.86以上；
- 边缘端日均处理约1.2万帧，误报主要来自水滴反光，正通过偏振滤光与多帧时序复核优化。
下一步计划扩展至黄瓜、草莓等作物，建立跨作物少样本迁移流程，并在水肥一体化决策中联动病害风险提示，形成可复用的智慧农业AI定制组件。
评论