“感染炭疽病,置信度95%!建议使用苯醚甲环唑,配合1500倍液吡唑醚菌酯喷雾防治,每隔7天一次,连续使用2-3次。”近日,在合肥当地一处番茄种植大棚内,合肥理工学校“红果智管”团队研发的AI病虫害识别设备,仅用数秒就完成了对一片病叶的检测,不仅精准判定病害类型,还同步给出了科学防治方案,让在场的种植户连连称赞。
此前,番茄种植园的病虫害防控一直是农户的“心头难”。人工巡查时,每亩番茄田日均需耗时1.5-2小时,且受限于经验和视力,病虫害初期症状往往难以分辨,识别准确率不足40%——等农户发现明显病斑时,病害早已扩散,年均每亩因病虫害造成的经济损失高达800-1200元。尤其是种植园里60%以上的老年从业者,面对细微的病斑、虫洞更是力不从心,常常错过最佳防治时机。
为破解这一难题,团队人工智能工程师小王带领成员展开技术攻关。他们采用Python语言作为开发基础,搭配TensorFlow框架搭建模型,结合番茄病虫害的图像特征,构建了适配农业场景的卷积神经网络(CNN)模型。初期因仅进行一次卷积操作,模型提取的病斑、虫洞等细微特征不足,识别效果不佳。团队随即优化结构,将卷积操作增加至三次:前两层用32个3×3卷积核捕捉基础特征,第三层将卷积核数量提升至128个,同时通过池化操作压缩特征图、控制计算量,再经2万张番茄病虫害图像训练优化,最终使模型识别准确率跃升至98%。
除病虫害检测外,团队还为设备配套开发了成熟度检测功能。只需将设备摄像头对准番茄植株,0.5秒内即可判断果实生长状态,比如“番茄生长状态良好,建议3天后采摘成熟期果实”,有效避免了农户因经验误判导致的过早采摘(品质不足)或过晚采摘(果实腐烂)问题。
此次技术落地,不仅让番茄种植户的病虫害损失降低70%,每亩损失从1200元降至360元,更体现了合肥理工学校“项目驱动”的育人理念——学生将课堂上学的AI算法、设备调试、云计算等专业知识,转化为解决农业实际需求的技术方案,真正实现了“学以致用、以技助农”。
