AI作物病害识别定制：田间光照差异与误检抑制

在《农业AI实验室》的智慧农业方向中，我们近期把实验重心放在一个不太“炫技”的环节：让病害识别模型在真实田块里少出错。

问题来自数据与场景的落差。农户手机拍摄的叶片图像中，逆光、露水反光、阴影、复叶遮挡、老叶自然黄化普遍存在，模型容易把缺素或机械损伤判成病斑。我们的做法不是换更大的骨干网络，而是把问题拆到数据侧与推理侧：训练前加入光照归一化与局部对比度增强模块，按拍摄时段与天气分层采样；推理时引入背景置信度门控，当模型对非叶片区域的响应偏高，直接返回“建议重新拍摄”，而不是给出一个看似确定的结论。

进展与数据：已采集三个省份、五个作物品种的田块图像约1.2万张，覆盖晴天、阴天与雨后三类光照条件。在自建测试集上，误检率由18.4%降至7.1%，漏检率基本持平；端侧单帧推理约210毫秒，可运行在中端手机上。