pest-detection-system

农田害虫实时识别与预警系统

《软件需求构思和描述》

版本 V1.0 | 2026年4月 | 肇庆·水稻/果树场景 |

---

1. 背景介绍

本软件系统服务于农业植保领域，聚焦于肇庆地区的水稻和果树种植场景。当前农业生产中，害虫防治普遍存在以下痛点：种植户及基层农技员对早期害虫的形态特征辨识能力不足，难以准确分类；田间地头、山区果园常处于弱网或完全无网络覆盖状态，依赖云端推理的识别方案在实际生产环境中几乎不可用；防治信息滞后且来源庞杂，缺乏权威且本地化的防治指导，导致农户容易错过最佳防治窗口，盲目用药现象频发。随着移动智能设备的普及与端侧AI算力的提升，将深度学习模型直接部署于手机端，实现离线、实时、准确的害虫识别与预警，成为解决上述困境的关键技术路径。

2. 欲解决问题

本软件系统重点解决以下四类应用痛点：

• 害虫种类识别困难：农户难以凭经验准确判断田间害虫种类，导致防治措施缺乏针对性，甚至误伤天敌。
• 弱网环境下的识别不可用：现有云端识别方案在农田网络差时失效，使得智能植保工具形同虚设。
• 防治窗口期延误：从发现害虫到获得专业建议周期过长，错过最佳防治时机，造成减产损失。
• 防治建议获取渠道单一且不可靠：农户缺乏权威、可操作、符合本地农药规定的防治指导，容易滥用农药或无效投入。

3. 软件创意

系统以移动端APP为核心载体，深度融合端侧AI模型、本地知识库与云端协同服务，创造性地实现**“端云协同 + 离线优先”**的虫情智能诊断模式。具体创意如下：

• 端侧轻量化模型：基于YOLOv8-nano部署在手机端，支持NPU/GPU加速，在无网络条件下完成实时害虫识别与定位（推理速度 ≤30ms/张）。
• 内置本地规则库：预置肇庆地区15~20类主要害虫的危害评估与防治建议库（体积＜5MB），无需联网即可提供基础指导，大幅提升弱网可用性。
• 离线预警+云边协同：本地根据识别频次触发阈值预警，同时网络恢复后自动同步历史记录，云端可推送区域性虫情警报，并通过短信通道补推关键信息。
• 人机协同审核兜底：低置信度识别结果（＜85%）强制转入“农技员审核中转”模式，结合专家复核降低责任风险，并为模型增量学习提供高质量样本。

4. 系统的组成和部署

4.1 系统要素组成表

组成要素	类型	核心作用	部署位置/依赖
移动端APP	计算机软件	拍照交互、识别展示、预警接收、历史管理	农户/农技员手机 (Android 8.0+ / iOS 13+)
YOLOv8-nano模型	AI模型	害虫目标检测与分类	内置APP安装包，运行时加载至内存
本地规则库	数据文件	危害评估 + 防治建议	随APP发布，云端静默更新
SQLite数据库	本地存储	历史记录、预警队列缓存	手机文件系统
云端管理后台	后端服务	模型版本管理、预警发布、数据同步、统计	云服务器（Linux + Nginx + MySQL + OSS）
短信网关	外部服务	关键预警短信补推	第三方短信平台 API
农技员审核端（可选）	Web/小程序	低置信度复核、专家答疑	云托管 + 农技员终端

4.2 要素间关系与部署依赖

离线工作流：APP调用本地模型+规则库 → 结果存入SQLite → 触发本地预警 → 用户完全离线可用。
在线协同流：网络恢复时APP自动同步历史数据至云端 → 云端下发新版模型/规则库 → 接收区域预警推送 → 短信网关紧急触达。
基础设施依赖：云服务器采用Docker容器化，对象存储存放模型文件，MySQL存储用户与虫情记录，Redis缓存预警任务。客户端依赖手机摄像头与NPU/GPU硬件加速，确保弱网环境核心功能不中断。

5. 软件系统的功能描述

围绕离线实时识别、防治指导与预警闭环，软件主要提供以下六大功能模块：

• 📷 害虫识别：拍照后本地模型实时推理，展示害虫名称、置信度及多目标计数；置信度<85%时提示“建议复核”，若识别为天敌则展示专项警告。
• 📋 危害评估与防治建议：基于害虫种类与数量输出轻/中/重度危害等级，推送可操作的防治方法（推荐药剂、施药时机、安全间隔期），内容预置本地规则库，支持离线查询。
• ⚠️ 虫情预警：本地根据识别频率动态触发阈值预警（如某害虫单日出现≥5次），弹窗提醒；云端可发布区域性预警（如稻飞虱爆发），配合短信通道保障关键信息送达。
• 📚 历史记录管理：所有识别记录（含照片缩略、时间、地点、害虫种类）自动保存至本地SQLite，支持按日期/害虫种类检索删除；网络恢复后按策略（仅WiFi或移动网络）批量同步云端。
• 👤 用户与系统管理：手机号一键登录/验证码登录；模型与规则库静默升级；一键呼叫或在线咨询绑定区域的农技员。
• 🛡️ 安全兜底机制：三层风控——置信度阈值强制复核、天敌保护警告、界面显著标注“防治建议仅供参考，请咨询本地农技员”，降低法律及生态风险。

6. 可行性及潜在风险

6.1 技术可行性

高可行：YOLO系列轻量化模型在移动端推理框架（TNN、MNN）中表现成熟，NPU加速可满足≤30ms实时要求；端云架构已被大量AI应用验证。离线规则库+本地队列可完全支撑弱网场景。

6.2 条件可行性

中可行，需本地资源注入：公开数据集IP102提供基础，但需补充肇庆本地15-20类主要害虫田间图像（每类≥120张）。需植保专家参与标注和审核，预计专家投入20-30小时，标注成本可控（半自动标注+主动学习）。与肇庆植保站合作是关键前提条件。

6.3 时间可行性

MVP周期2-3个月（移动端+算法+0.5后端）可上线拍照识别+本地规则+历史记录+基础预警；完整系统（含云后台、短信网关、审核端）预计4-6个月。

6.4 规模与运维可行性

试点规模500-1000农户，日活100-200，云端负载低；年度运维总成本约3-5万元（含模型微调与规则库维护），增量学习与灰度发布机制保证长期演进可持续。

6.5 潜在风险与缓解措施

风险项	等级	缓解策略
田间泛化能力不足	高	采集≥500张本地图像微调；置信度<85%强制人工复核；主动学习优先标注困难样本
防治建议责任风险	高	“农技员审核中转”模式；对接省级植保站API；法律免责声明“仅供参考，请咨询农技员”
离线预警实时性不足	中	本地阈值弹窗+振动提醒；短信通道二级补推
数据标注成本超预期	中	半自动标注+主动学习策略，优先标注模型不确定样本
用户接受度低	中	3个月试点验证期，用户投诉率＜5%、识别准确率＞70%；线下培训与语音播报

综合评估：项目整体可行，具备立项价值。建议在补充植保专家合作协议与本地微调资源后启动，MVP阶段优先验证核心识别闭环与离线能力。

---