在智慧农业场景里，病虫害识别的难点往往不在模型精度，而在田间数据的可用性。本期实验室围绕「拍得到、认得准、敢下结论」三个环节做了阶段性验证，方向是不追求单点 SOTA，而是把识别结果落到可执行的动作上。
进展一：拍摄端约束前置。我们不再默认用户能拍出教科书式样本，而是在采集环节就加入引导逻辑——基于叶片在画面中的占比、边缘清晰度与光照均匀度做实时判定，当条件不足时提示重拍而非直接推理。测试集上，加入拍摄引导后可用样本比例从约六成提升到八成以上，显著减少了「模型被脏输入带偏」的情况。
进展二：输出改为置信度分级。识别结果不再只给一个病名，而是分为「可执行、建议复核、无效拒答」三档，并与防治建议解耦：高置信度直接给出处置建议，中置信度推送至农技人员复核队列，低置信度仅记录图像与位置，供后续扩样。这样做的目的是把误报成本从田间转移到后台，避免错误施药。
下一步计划：一是补充阴雨、逆光、露水等真实工况样本，重点观察置信度分布是否稳定；二是把识别结果与地块、生育期信息做关联，验证「同一症状在不同生育期是否需要不同结论」，为后续按作物定制的模型迭代提供依据。
评论