在智慧农业场景中，虫情测报灯与黄板是低成本、高频次的田间观测入口，但人工计数费时且一致性差。农业AI实验室近期围绕“小目标、密集重叠、夜间补光不均”三类问题，做了一轮实验性定制：将诱虫板图像按重叠度分块，分别进行虫体检测与密度回归，再通过跨块匹配去重，减少边界重复计数；类别上先覆盖蚜虫、稻飞虱、二化螟等主要害虫，未知虫体归入待复核队列。
阶段性进展：
- 在合作农场3个监测点、连续6周采集的约1.2万张图像上，主要害虫计数的平均绝对误差由人工基线约18%降至8%—10%；重叠虫体和夜间反光仍是主要漏检来源。
- 已把逐日计数接入温湿度、风速与风向序列，尝试用轻量时序模型判断迁飞或本地暴发趋势，当前仅输出预警分级，不替代农技人员决策。
下一步计划是扩充不同作物与诱虫板老化程度的数据，并验证边缘端推理的稳定性；目标是在保证可解释复核的前提下，把“拍照—计数—预警”压缩到分钟级闭环。
评论