← 在分诊台打开（可搜索/导航）

农业病虫害/作物识别怎么做

🌾 E6 垂直领域案例库 · 手机/Jetson/摄像头
状态：已有成熟案例但落地仍有坑
也这样说： 农业 病虫害 作物识别 土壤 fruit detection 智慧农业
可能根因：

解决方案

💡 排坑指南（2条）

番茄裂果识别案例（98.7%准确率）
Jetson Nano+YOLOv8s，田间实测98.7%准确率；关键坑：光照不均导致反光，需加偏振镜+数据增强模拟光照变化
时效：2026-09
打开 ↗
土壤分类案例（YOLO11 96.9%准确率）
YOLO11-BIMAFPN做土壤分类，腐殖土99.1%盐碱土95.6%；土壤识别的关键不是模型而是采样图像标准化
时效：2026-09
打开 ↗

⚠️ 避坑提醒（2条）

农业AI不是技术问题是系统问题
国内12个农场案例显示：算法+农艺+硬件+数据流+基层决策多重耦合失焦才是落地失败主因；"识病-开方-买药"闭环未打通
时效：2026-09
打开 ↗
田间设备算力受限别上大模型 暂无外链
Jetson Nano TDP仅10W，跑YOLOv8s只有5-8FPS；田间设备用n版+INT8，或手机APP拍照后云端推理
时效：2026-09

本页是路由层入口，不存教程正文。每条入口带人工评注。
来自 问题分诊台 · Vertical Hub