虫情测报灯AI识别定制：小目标检测与误报抑制

田间虫情测报灯每晚回传的图像是植保决策的重要输入，但人工计数耗时，且不同测报员对近缘种的判定差异明显。农业AI实验室近期在水稻与蔬菜基地的三个点位做了小范围试验，把识别任务拆成「检测—分类」两阶段：检测负责在杂乱背景中定位虫体，分类负责区分靶标害虫与中性昆虫。

实践中主要难点有两个：一是虫体在整幅图中仅占几十像素，雨滴、灯管反光与叶片碎屑极易被误检；二是靶标之外的长尾种类样本极少，难以支撑完整分类体系。为此我们采用负样本挖掘回灌，并对每类仅数十张的稀有虫种使用半监督自训练补充样本，同时把「不确定」作为独立输出类别，避免强行归类造成误报。

【阶段进展】在测试集上，八种主要靶标的识别召回由初版模型的约 82% 提升至 94%，田间杂物导致的误报下降约六成；对长尾虫种暂只输出到属级，并附置信度供人工复核。
【下一步】将模型压缩到边缘网关本地推理，单张耗时控制在 300 毫秒内，并把逐夜虫量曲线与既有的防治阈值联动，输出用药建议而非单纯的计数报表。