病虫害识别的落地，靠的是一条能在弱网、逆光、叶片遮挡的条件下稳定给出建议的链路，而不是一个能认几千种病的模型。AI 在这里输出的不只是一个名字，还要带上可信程度和处理建议。理解它怎么落地，按拍照、检出、分类、拒识、回传五步看最清楚。
拍照到结论之间的四步
第一步是质量检查，判断这张照片是否对焦、是否过曝、有没有拍到叶片主体；第二步是病斑检出，把可能是病害的区域框出来；第三步是分类，判断属于哪一类；第四步是给出建议，包括是否需要进一步确认。
四步里最容易出问题的是第一步。农户在田里随手一拍，背景占了大半画面，模型再强也找不到病斑。所以在拍照界面就要做引导，用取景框提示把叶片放进去，这一步的产品设计比模型精度更影响最终体验。
| 步骤 | 做什么 | 最容易出问题的地方 |
|---|---|---|
| 质量检查 | 判断是否对焦、是否过曝、有没有拍到叶片主体 | 农户随手一拍，背景占大半画面，后面几步全白做 |
| 病斑检出 | 把可能是病害的区域框出来 | 早期病斑面积小、颜色浅，容易漏检 |
| 分类 | 判断属于哪一类病害 | 近缘种外观相近，容易混判 |
| 给出建议 | 说明要不要进一步确认、下一步怎么做 | 只给名字不给处置方向，农户拿到也用不上 |
数据从哪来
公开数据集能解决入门，但和本地作物对不上。同一个病害在不同品种、不同生育期、不同光照下外观差别很大，靠公开数据训练出来的模型，换一个县就掉点。所以落地一定要有本地采集。
采集要覆盖三件事：健康叶片、早期病斑、以及容易混淆的其它病害。只拍典型重症样本，模型会学会「看到大面积枯黄就叫病」，早期识别反而失灵。采集时还要记录品种、生育期、拍摄设备和天气，方便后续分层评估。
近缘种和类别不均衡
霜霉与白粉、细菌性角斑与真菌性叶斑，肉眼都难分，模型更容易混。解决办法是补足鉴别性特征：病斑边缘形态、霉层颜色、是否有晕圈、叶背表现。这些特征要在标注规范里写清楚，让标注员按同一套标准打标。
类别不均衡也很常见，常见病样本上万，罕见病只有几十张。直接训练会让模型偏向多数类。可以用重采样、类别加权，或者把罕见病先归到「需人工确认」一档，等样本够了再细分，避免硬分出一个不可靠的类别。
置信度和拒识是安全阀
农业建议的代价不对称：把健康叶片判成病害，会导致多打一次药；把病害判成健康，可能错过防治窗口。所以阈值不能一刀切，要按后果分别设定。对高传播风险的病害，宁可放宽报警，让人去复核。
拒识机制要显式设计。当模型置信度低、或者图片质量差时，直接输出「无法判断，建议就近请农技员看」，而不是给一个勉强的最可能答案。承认不知道，比猜错更专业。
农技员自己也在用工具，把本地的防治手册导入 Kimi，再用豆包把专业术语解释成农户听得懂的话，遇到拿不准的病例先查一遍再下地，比凭记忆判断稳一些，但最终结论仍要看作物的实际表现。
田间部署的现实约束
很多地块没有稳定网络，模型要能离线跑在手机上。这就要求模型足够小，推理在几百毫秒内完成。常见的压缩手段是剪枝、量化、蒸馏，代价是精度略降，需要通过本地数据微调补回来。
更新也是难题。模型升级后，老的安装包不会自动更新，建议在应用启动时做版本检查，把新模型分成小包推送。同时保留上一版，遇到问题能回退，别让一次更新把全村的识别都搞坏。
- 拍照：取景引导先于模型精度，叶片要占主体
- 数据：健康、早期、易混三类样本缺一不可
- 鉴别：补足病斑边缘、霉层颜色等特征再训练
- 拒识：置信度低就说不知道，别硬猜
- 部署：离线小模型加分包更新，保留回退版本
病虫害识别快问快答三则
- 手机拍一张就能确诊吗？：不能。它给的是高概率方向，确诊仍需看叶背、看田间分布，必要时送检。
- 为什么同一个病在两地表现不一样？：品种、生育期、光照和肥水都会改变外观，本地样本不足时模型会失准。
- 识别准了就能少打药吗？：识别只是起点，减药取决于防治窗口和药剂方案，需要农技人员参与判断。
农业场景的决策往往连着饲喂与灌溉，饲喂决策是怎么辅助讲的是养殖侧的同类链路；识别的结果要送到地块，配送安排见物流路径优化是怎么算的；如果想把本地病虫害手册接进问答，RAG 和传统搜索差在哪值得一读。
