大学生科技创新基金项目.docxVIP

大学生科技创新基金项目

本项目围绕农作物病虫害识别智能化程度不足、模型部署成本高以及施药决策缺乏定量依据等现实问题，构建一套基于深度学习与边缘计算的多场景农作物病虫害识别与施药决策系统。项目以水稻稻瘟病、玉米叶斑病和番茄早疫病三类代表性病害为切入点，融合图像增强、轻量化卷积神经网络、模型剪枝与量化、病害等级评估和施药建议算法，最终形成一套能够在低算力终端上实时运行的应用方案。该项目的开展有助于降低农业植保对人工经验的过度依赖，提升病害识别的准确率和时效性，同时为大学生践行产学研结合、将人工智能技术落地于真实农业生产场景提供完整实践路径。

从国内外研究现状来看，近年来基于卷积神经网络的病虫害识别方法已经取得较大进展，例如利用VGG、ResNet、MobileNet等模型对叶片图像进行分类，能够达到较高准确率。然而现有研究大多局限于实验室条件下的单一叶片图像，对田间复杂背景、多尺度目标、光照不均和遮挡现象的处理能力有限。同时，大部分识别模型参数庞大，推理速度慢，难以部署到农户可负担的边缘设备上。此外，许多系统只输出病害类别，不能对病害严重程度进行量化评估，也无法结合环境因素给出科学施药建议，导致识别结果与实际生产决策之间存在明显割裂。因此，本项目在已有成果基础上，重点解决模型轻量化、场景鲁棒性和决策可解释性三方面问题，具有较强的理论价值和实际应用前景。

本项目的研究目标可以归纳为四个层