AI病虫害识别定制：弱光成像与相似病斑区分

在智慧农业场景中，病虫害识别的难点往往不在模型结构，而在田间数据的“不可控”：光照从逆光到阴天跨越数个档位，叶片重叠遮挡，早疫病与晚疫病等相似病斑在肉眼层面都难以区分。本实验室近期的工作围绕这一现实约束展开。

我们采用“成像先于识别”的思路，在采集端加入偏振与漫射补光，配合轻量去噪与色偏校正，把不同时段拍摄的图像拉到同一色彩基准上；识别端则把任务拆成两级——先做病斑区域分割，再对分割出的局部做细粒度分类，避免整叶特征被背景稀释。针对相似病斑，引入农艺描述文本作为弱监督信号，让模型在样本不足的类目上获得额外区分线索。

进展与下一步：

• 在自有试验田采集约 1.2 万张图像，覆盖 3 种作物、18 类病虫害，相似类目误分率由 23% 降至 9%，模型可在手持设备上离线推理。
• 下一步与地方植保站共建复核闭环，把农技人员的修正结果回流为增量训练样本，并尝试引入连续多帧图像的时间维度特征，以缓解单帧误判。

我们认为，农业 AI 的可用性取决于能否容忍田间的“不完美输入”，而非实验室条件下的峰值精度。