作物病害AI识别定制：田间小样本与端侧推理

智慧农业AI定制实验室近期完成一轮田间验证：以番茄早疫病、灰霉病为对象，用手机采集的叶片图像构建小样本数据集，探索「端侧推理＋云端增量」的识别路径。

田间图像的难点不在模型结构，而在成像条件。逆光、露水反光、叶片遮挡与背景杂草都会明显改变颜色分布，直接套用实验室数据集会出现大幅掉点。团队先做轻量预处理——白平衡校正与叶片区域分割，再以迁移学习在每类60~80张标注样本上微调，田间测试集准确率约88%，较不做分割的基线提升约11个百分点。

【进展】模型量化后体积控制在4MB以内，可在中端手机端侧推理，单张耗时约120ms，弱网或离线环境下仍能给出结果；农户只需拍照，识别结论与防治建议在本地生成。

【下一步】扩大作物与病种覆盖，补充近红外补光下的成像一致性校验，并联合农技站建立「识别—复核—回传」的闭环标注流程，把误报率压到可由人工快速复核的水平。