作物病害识别AI验证：棚内小样本与边缘推理

农业AI实验室近期在合作基地的番茄、黄瓜大棚内，完成了一轮叶部病害识别的阶段性验证。与公开数据集不同，棚内图像受逆光、水雾、补光灯色偏和叶片重叠影响，通用模型直接迁移时，对早期病斑（直径小于5毫米）的召回明显偏低。

本轮实验的思路是先把采集规范定下来，再谈模型：固定顶视、侧45°、近叶面三个机位，按早、中、晚三个时段采集，单棚累计约4200张，其中人工标注的早期病斑样本约900张；模型侧采用轻量骨干网络加注意力模块做三分类（健康、早疫、灰霉），并在边缘盒子上做量化推理。

【阶段性进展】在自建棚内测试集上，三类平均准确率约91%，早期病斑召回由基线68%提升至84%，单张推理耗时约60毫秒，可匹配巡检小车0.5米/秒的行进节拍。剩余误报约六成来自水滴反光与老叶黄化，仍需规则后处理兜底。

【下一步计划】一是补充阴雨天与夜间补光场景样本，验证光照鲁棒性；二是将识别结果与棚内温湿度时序数据对齐，尝试输出“病害风险提示”而非单纯分类，减少对人工经验的依赖。