计算机视觉在农业的应用：作物识别 + 病虫害检测实战

传感器搞定了数据，但有些东西仪表测不了------叶子上的虫眼、果实的大小、地里到底长了几颗白菜。这些问题，得上摄像头 + 计算机视觉。

农业 CV 能做什么？做不了什么？

先拉齐预期。和自动驾驶那种毫米级安全感不同，农业 CV 的场景特点是：

背景脏：泥土、杂草、反光、影子，这些 CV 最怕的东西农业里全是日常
目标密：一行白菜可能挤了 200 颗，小目标检测是刚需
品种杂：同一种病在番茄上和在黄瓜上症状长得完全不同
标注贵：给 10 万张病虫害图片打标签，农科院专家一小时要 300 块

但好消息是：对农业来说，95% 的准确率已经够用。你的目标是辅助决策，不是替代诊断。漏报几颗病株、多报几颗杂草，农技员一眼就能纠正过来。

农业 CV 三个最有价值的场景：

场景	技术	价值
作物识别与计数	YOLOv8 目标检测	自动统计出苗率、估产
病虫害检测	YOLOv8 分类 + 检测	早发现早打药，减少损失 30%+
长势分析	语义分割 + NDVI	精准追肥、分区管理

实战：YOLOv8 训练蔬菜检测模型

数据集

公开的蔬菜检测数据集：

OpenMarket：30 种常见蔬菜，3 万张，标注了 bbox
iCassava：木薯病害数据集，8 千张，5 类病害 + 健康
PlantVillage：38 种作物、14 类病害，5.4 万张（但这个背景太干净，都是实验室拍的）

我们的第一个模型做 10 种常见蔬菜识别：白菜、番茄、黄瓜、茄子、辣椒、豆角、萝卜、菠菜、生菜、丝瓜。用 OpenMarket 做预训练，再在自己的棚里拍 500 张做 Fine-Tune。

训练（PyTorch + Ultralytics）

bash 复制代码

# 安装
pip install ultralytics

# 训练
yolo train \
  model=yolov8n.pt \          # nano 模型，适合边缘部署
  data=vegetables.yaml \       # 数据集配置
  epochs=100 \
  imgsz=640 \
  batch=16 \
  device=0

vegetables.yaml：

yaml 复制代码

path: ./datasets/vegetables
train: images/train
val: images/val
nc: 10
names:
  0: cabbage      # 白菜
  1: tomato       # 番茄
  2: cucumber     # 黄瓜
  3: eggplant     # 茄子
  4: pepper       # 辣椒
  5: green_bean   # 豆角
  6: radish       # 萝卜
  7: spinach      # 菠菜
  8: lettuce      # 生菜
  9: luffa        # 丝瓜

nano 模型在 RTX 3060 上训练 100 epoch 大约 2 小时，mAP@0.5 能到 0.85 以上。

验证

复制代码

                 Class  Precision  Recall  mAP50
              cabbage       0.89    0.87    0.91
               tomato       0.92    0.88    0.93
             cucumber       0.86    0.83    0.88
             eggplant       0.91    0.85    0.90
               pepper       0.87    0.82    0.86
           green_bean       0.84    0.80    0.85
               radish       0.90    0.86    0.90
              spinach       0.82    0.78    0.82
              lettuce       0.88    0.84    0.88
                luffa       0.85    0.81    0.85
              Overall       0.874   0.834   0.878

病虫害检测------数据集是个大坑

作物病害的数据集有几个问题：

实验室照 vs 田间照差距大------PlantVillage 全是单叶、白底、均匀光照，你的摄像头拍出来是逆光、脏镜头、叶子半遮挡
地域差异------北方的霜霉病和南方的霜霉病，湿度不同外貌差异很大
病害阶段------同一种病初期是黄点、中期是褐斑、末期是枯死，一个模型要全认出来

我的实战路线：

第一步：用 PlantVillage 做预训练（学习病害的「形状」，不学「颜色和光线」）
第二步：在自己的棚里收集 50-100 张真实病害照片
第三步：用 Few-Shot Learning（如 ProtoNet）+ 迁移学习做适配
第四步：持续标注、持续更新模型

工具推荐：Label Studio ------ 开源、支持 bbox + 分类 + 分割，部署在本地服务器上，自己标注完直接用 Python SDK 导出 YOLO 格式。

边缘部署：在树莓派 / RK3588 上跑

云上做一次推理要传图片、等结果、返回，一个来回 500ms 以上。病虫害巡检的场景------摄像头挂在轨道车上，边走边拍，需要实时出结果。边缘推理是刚需。

方案对比

方案	硬件	FPS (YOLOv8n)	功耗	成本
树莓派 4B	CPU 推理	0.5-1	5W	400 元
树莓派 4B + Google Coral	Edge TPU	8-10	8W	700 元
NVIDIA Jetson Nano	GPU 推理	10-15	10W	800 元
RK3588 开发板	NPU 推理	15-20	8W	1000 元

推荐：RK3588。 6 TOPS 的 NPU 专为推理设计，不需要 CUDA 那一套。RKNN 工具链把 PyTorch 模型转成 RK3588 原生格式：

bash 复制代码

# 1. PyTorch → ONNX
yolo export model=runs/train/weights/best.pt format=onnx opset=12

# 2. ONNX → RKNN
python -m rknn.api.rknn_convert \
  --model best.onnx \
  --output vegetables.rknn \
  --target rk3588

# 3. 在 RK3588 上跑
python detect_rknn.py --model vegetables.rknn --source /dev/video0

detect_rknn.py 的核心逻辑：

python 复制代码

from rknnlite.api import RKNNLite

rknn = RKNNLite()
rknn.load_rknn('vegetables.rknn')
rknn.init_runtime()

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    outputs = rknn.inference(inputs=[frame])
    # outputs 里就是 bbox + class + confidence
    draw_boxes(frame, outputs)

部署脚本写好后设 systemd 开机自启，轨道车巡检全程自治------拍到了、识别了、结果存本地 SQLite 并通知平台层。

实用建议

不要从头训模型。 用 YOLO 预训练权重 + 你的数据 Fine-Tune，一天搞定；从头训要 GPU 跑一周，效果还大概率更差。
第一版只做一个场景。 蔬菜计数 OR 病害检测，搞定一个再扩展，贪多嚼不烂。
标数据比写代码花时间。 500 张高质量标注 > 5000 张低质量标注。标的时候注意：框不要切到叶子边缘，类别不要犹豫------错了就错着标，后期统计混淆矩阵再纠正。
定期回传误检样本。 在边缘侧记录低置信度（0.3-0.6）的检测结果，定期把原图回传到云端做二次标注，模型持续迭代。

下一篇：《Spring Boot 农业物联网平台：从 0 到 1 搭建》------设备管理 CRUD、TDengine 时序存储、告警规则引擎、ECharts 可视化一把梭。