摘要：农作物病虫害防控方法正由经验巡查和均匀施药转入感知驱动、按需响应的智能化阶段。图像处理技术融入田间作业后，可在复杂背景下完成病斑提取、虫体识别、位置锁定和程度判定，为生成施药处方提供依据。从图像采集、目标判识、轻量化部署入手，梳理病虫信息向施药参数转译的关键机制，并从数据规范、处方生成、设备联动、场景适配和反馈校准五个层面提出智能化施药协同实现路径。将病虫害智能检测结果稳定接入施药装备控制链，使施药行为由整片覆盖转向分区、分层和定量调节，进而提升药液利用效率与田间防治精度。

　　关键词：图像处理；病虫害检测；精准施药；变量喷施；智能作业

　　1.引言

　　农作物病虫害是制约农业生产的重要灾害之一，直接影响“三农”经济的健康发展，制约着农民增收。当前国际上病虫害使农作物潜在产量平均减少40%，而发展中国家的许多农民遭受的产量损失甚至高达100%，农作物病虫害造成的损失约为世界粮食生产总产量的十分之一[1]。在规模经营和精细植保并行推进的背景下，依赖人工巡查和经验施药已难适应田间防控需求。基于图像处理的智能检测与农机精准施药协同应用，正成为提升识别时效、优化用药结构和保障作物稳产增效的重要路径。

　　2.图像处理驱动下病虫害智能检测的关键环节

　　2.1复杂田间条件下的图像采集

　　田间图像采集是智能检测的入口，质量高低几乎决定模型能否读准病斑、虫体及受害边界。露天作业时，光照游移、叶片遮挡、风致晃动、露水反光和土壤杂波交错出现，同一病斑在清晨逆光和午后散射光下差异明显，采集策略稍有松动，训练样本就会失衡。采集环节宜围绕时段选择、拍摄角度、机位距离、分辨率设置和背景控制建立稳定规范，同时兼顾苗期、拔节期和成熟期的表型差异，形成连续样本序列。只有把“拍得到”推进到“可计算、可比较、可复用”，智能检测才有扎实根基[2]。

　　2.2判识目标由存在判断转向空间定位和程度分级
       病虫害检测若仍停留在有无判断，施药环节便难以摆脱整片喷洒的旧路径，图像处理的价值也难落到实处。进入精准施药场景后，系统需要同步给出病斑所在部位、受害面积、虫口密度及等级划分，使识别结果能够直接对应喷量设定和喷头响应。目标检测负责找准对象，图像分割承担边界刻画，程度判别连接处方生成，任一环节偏差积累，施药决策就会走样。判识任务从“看见病虫”推进到“说清位置、说明程度”，才算真正触到精准防治的要害，也使检测数据具备进入农机控制链的资格。

　　2.3面向机载终端的轻量化部署

　　田间作业现场对算法的要求一向很实际，识别精度固然重要，运行速度、资源占用和系统稳定性同样关键。农机终端算力有限，电源、存储和通信条件也受环境牵制，模型结构过于庞杂，一旦装入机载平台，延时升高、掉帧增多、控制指令滞后便会接连出现，识别成果难以及时转成施药动作。轻量化部署的关键，在于以较小参数规模维持有效特征提取能力，同时压缩推理时间，稳住现场连续作业状态[3]。只有把检测模块顺畅嵌入喷头开闭、流量调节和路径控制链条，智能识别才会从实验展示走入农机精准施药的真实场景。

　　3.病虫害检测结果向农机精准施药决策转译的核心机制

　　3.1病虫表征向施药指令的参数化转译

　　病虫害检测结果只有完成参数化转译，才能真正进入农机控制链。图像处理输出的病斑面积、斑块密度、虫体数量、受害层位及空间坐标，需进一步折算为喷量、喷压、雾滴粒径、喷头开闭频率和行进速度等作业参数。这里的关键，并不落在单项指标提取，而在于建立稳定、可复核的对应规则。例如，叶面零散轻斑适合低剂量覆盖，连片扩展病斑则应提升沉积分布密度；虫体集中于叶背时，喷射角度和冠层穿透能力便需同步调整。只有把感知信息翻译成施药语言，精准施药才具备可执行性。

　　3.2面向作物空间结构的场景化施药适配

　　施药模式一旦脱离作业场景，精准二字便容易流于形式。大田作物株距整齐、冠层相对均匀，适合分区变量喷施，以病虫害热区识别结果引导剂量分配；果园树体立体结构明显，枝叶层次复杂，宜采用定向喷雾、分层控量和靶标跟随策略；设施蔬菜行距较密，湿度偏高，局部侵染特征突出，宜将株距识别结果接入对靶喷施单元。作业场景一变，病虫分布形态、药液沉积路径和漂移风险便随之改变。施药决策只有贴合作物形态和装备边界，检测数据才不会停留在屏幕上[4]。

　　3.3喷雾响应时差对执行精度的约束机理

　　从图像采集到药液落点，链条看似顺畅，实则每一环都藏着时差。图像解算耗时、控制信号传输、阀体启闭、泵压稳定、机具前移以及雾滴飞行，都会累积成空间偏移。病斑位置已经锁定，喷头却在数十厘米外开启，这类偏差在高速作业时尤为醒目，漏喷、重喷和边界错位随之出现。精准施药要稳住执行精度，核心环节在于把系统响应时间纳入控制模型，依据行进速度进行提前补偿，并结合喷雾系统惯性校正开闭节奏。只有把时间误差压到可控范围，识别精度才有现实意义[5]。

　　3.4回传数据驱动施药策略的持续校准

　　单次施药控制解决的是当下作业，数据回传关乎后续校准。作业过程中形成的轨迹信息、喷量记录、靶区命中率、病斑变化图像及药后响应情况，一旦得到系统归集，施药策略就拥有动态修正依据。某一区域连续数次出现药液沉积偏低，便提示喷压设定或行进速度需要调整；某类病斑在常规剂量下扩展仍快，则说明处方规则尚需细化。数据回流使施药决策摆脱一次性判断，开始转入迭代优化。这样形成的闭环控制，既能提高药液利用效率，也有助于沉淀面向田间长期运行的经验模型。

　　4.基于图像处理的病虫害智能检测—精准施药协同实现路径

　　4.1建立面向田间作业的图像数据采集与标注规范

　　协同体系要想站稳脚跟，起点仍在数据。田间图像采集若只追求数量，后续识别精度和施药决策极易失真。采集环节宜围绕作物类型、生育时期、拍摄时段、光照状态、叶面遮挡程度和病虫等级建立分层规则，使样本能够覆盖晴天强光、阴天漫射、晨间露水、风致摆动等常见情形。标注工作也需从“框出目标”向“描述状态”推进，在病斑边界、虫体聚集部位、受害层位和严重程度之间建立统一口径。以设施番茄灰霉病识别为例，若标注只停留在病叶层面，喷药控制仍会回到整株覆盖；只有把叶柄、叶缘、果面侵染区域细化出来，后续处方生成才有依据。数据规范看似基础，实则决定协同链条是否可靠。

　　4.2构建病虫害表征到施药处方的规则转译单元

　　图像处理给出的是病虫害表征，农机执行需要的却是喷量、雾滴、压力、速度和喷头动作，两者之间隔着一道必须说清、写实、算准的转译环节。处方生成单元宜将病斑面积、虫口密度、空间坐标、冠层层位和作物长势纳入统一判断框架，形成分级施药规则库。轻度侵染区域可采用小剂量、窄喷幅、低漂移喷施，连片扩散区域则需提高覆盖强度和附着效率；叶背虫害密集时，喷射方向和雾滴穿透能力应随之调整。以小麦条锈病防控为例，地块边缘零散病斑适宜局部处置，病带形成后则应启动分区变量喷施。处方转译单元一旦成熟，检测结果才会摆脱“看得见却用不上”的尴尬局面。

　　4.3推动识别终端、控制终端和喷施装置的一体联动

　　协同实现的难点，常常藏在设备接口处。识别模块、控制模块和喷施装置各自运行，哪一环节节拍失配，精准施药就会出现偏移。田间装备宜采用一体化联动思路，把图像识别终端、作业控制器、喷头执行部件和流量调节机构接入同一控制链，缩短信息传递路径，压缩响应耗时。机载平台行进中，识别结果需要快速变成喷头开闭指令，泵压调节也要跟上地块变化和速度波动。以果园定向喷雾为例，树冠外缘、内膛和顶部叶层受害程度存在差异，只有识别终端实时给出层位信息，控制器同步修正喷角和流量，药液沉积才会贴近靶区。一体联动的价值，恰在于把分散动作缝合成连续作业过程。

　　4.4围绕作物类型和地块条件形成场景化施药方案

　　同一套识别算法进入不同作业场景，施药逻辑常会发生明显变化。大田作物株行结构规整，适宜依据病虫热区分布实行分区变量喷施；果园树体高低错落，药液沉积路径受枝叶层次影响较大，宜采用定向对靶和分层控量；设施蔬菜空间狭窄、湿度偏高，局部侵染扩展较快，适合株级识别驱动的小范围精准喷施。场景化方案的关键，在于把图像处理结果嵌入具体作业环境，而不是套用单一施药模板。以黄瓜白粉病防治为例，棚室内叶片重叠明显，病斑多出现在中下层叶面，施药路径若仍按露地经验设计，漏喷便很难避免。将作物结构、地块形态和装备边界纳入同一判断框架，协同路径才显得踏实。

　　4.5完善作业回传和效果复核机制，形成持续校准闭环

　　检测与施药实现协同后，真正决定长期成效的仍是反馈。一次作业结束，并不意味着任务完成，药液沉积分布、靶区命中情况、病斑变化轨迹和下一轮图像识别结果，都应回流到系统内部，作为处方修正和模型迭代的依据。作业平台宜保留喷量记录、行进轨迹、喷头响应时间和作物受害图像，构成可追溯的过程档案。以柑橘园病斑识别喷施为例，某些枝条连续两轮喷施后受害区域仍在扩大，问题可能出在喷角覆盖不足，也可能来自处方剂量偏轻，只有把作业记录和后续图像放到一起核验，症结才会浮现。持续校准机制一旦建立，精准施药便从单次控制转入动态优化，协同体系也随之具备了自我修正能力。

　　5.结语

　　采用图像处理技术进行农作物病虫害识别与开展防控体系建设，真正改变的不是单一识别方式，而是田间植保作业的组织逻辑。检测结果只有完成参数化转译、场景化适配和设备化执行，才能转化为可落地的精准施药能力。协同施药体系的有效运行离不开规范数据支撑、规则处方生成、终端联动控制和作业反馈校准。今后，相关技术推进应把重点放在检测端与施药端的深度衔接上，使病虫害识别、施药装备控制和防治效果评价形成闭环，由此推动植保作业朝着精准、高效和节药方向持续深化。

参考文献：

　　[1]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22-27.

　　[2]颜廷国.农业大数据环境下的农作物病虫害智能化监测预警[J].农业工程技术,2023,43(20):51-52.

　　[3]谢建梅.基于图像处理的农作物病虫害分类算法的研究[J].吉林农业科技学院学报,2021,30(06):9-13.

　　[4]廖娟,陶婉琰,臧英,等.农作物病虫害遥感监测关键技术研究进展与展望[J].农业机械学报,2023,54(11):1-19.

　　[5]钱亮.基于DSP和机器视觉的精准施药平台研究[J].农机化研究,2021,43(11):120-124.