过去判断病害，靠的是农技员的一双眼睛：蹲在田里翻叶片、看斑点、回忆见过的案例。一个熟练的植保员一天最多巡 200 亩，而且不同人之间的判断结果差异很大。病虫害识别的价值，首先是把这种"经验判断"变成"可复制的标准判断"。

病害识别模型的基本原理并不复杂：用卷积神经网络对叶片图像做分类，输出病害类别与置信度。真正的难点在数据——同一个病斑在清晨、正午、阴天拍出来的颜色完全不同，不同品种、不同生长期的叶片形态也差异巨大。我们最终采用的办法是"多时段采集 + 现场标注"，让模型见够各光照条件下的样本。

移动端推理是另一个关键点。田间网络信号差，把图片传回云端再返回结果，往往要等十几秒，农户用两次就放弃了。因此模型必须在手机上离线运行：通过剪枝和量化，我们把模型压到 8MB 以内，单张图片推理时间控制在 300 毫秒以内。

落地时的坑也不少。最常见的是"拍不对"：农户随手一拍，叶片只占画面一角，或者拍的是背面。我们在取景框里加了引导提示，并在推理前先做一次目标检测，确认画面中存在完整叶片，否则提示重拍。

识别只是第一步，把识别结果接到防治方案里才有闭环价值。现在系统在给出病害名称的同时，会依据当地植保站发布的用药指南，推荐 2 到 3 个防治方案，并标注安全间隔期，避免农户凭感觉加大药量。

从实际使用数据看，巡田效率的提升是明显的：同样的面积，人工需要一天，用手机拍照识别只需要两个小时，而且确诊率稳定在 90% 以上。更重要的变化是数据沉淀——每一次拍摄都是一条带位置的病害记录，一个生长季下来，农场就拥有了一张完整的病害分布图。