项目背景与动机
随着智慧农业的发展，如何利用 AI 技术保障从田间到餐桌的安全成为重要课题。传统人工巡检效率低、误判多，亟需自动化解决方案。
技术栈与学习路径
在开发过程中，综合运用多种编程语言与框架：
- Python: 深度学习模型训练与数据处理
- Rust: 系统工具开发，追求极致性能
- Go: 微服务构建，体会并发之美
- C++: 算法优化，理解内存管理
- JavaScript: 前端交互展示
核心方案：轻量化病虫害检测系统
本项目名为'慧农'，旨在开发轻量级、高精度、可端侧部署的作物病虫害检测系统。
模型架构
选择基于 Vision Transformer（ViT）架构进行轻量化改造，结合知识蒸馏与剪枝技术，最终设计出一个小于 50MB 的模型。
关键成果
- 在 PlantVillage 数据集上训练，1 小时内收敛，准确率达 99.44%；
- 推理时在 RTX 5070 显卡上 GPU 占用率 ≤ 40%，内存峰值 < 2GB；
- 支持 ONNX 格式导出，可无缝部署到 Jetson Nano、树莓派甚至国产边缘芯片；
- 未来考虑集成 YOLOv8s (或其他轻量级模型) 作为检测头，实现'定位 + 分类'一体化，支持 30+ 常见作物病害。
挑战与应对
作为高校学生，实地验证数据难以采集是主要困难。通过理论模型先行，并在假期返乡时尝试数据采集，逐步完善系统。
未来规划
- 暂不开源，待论文发表后决定；
- 构建多作物病虫害增量学习框架，支持随用随练；
- 探索'视觉 + 气象 + 土壤'多模态融合预测；
- 争取暑期机会，和附近农场合作采集数据；
- 毕业后返乡，把技术真正扎进泥土里。
'科技不应只属于硅谷和中关村，它也该长在田里、果园中、沟壑的泥土上。'
