晨光中的梯田作物
果树多模态视觉大模型 QingMou V3

让每一片叶子
都被看见

数耘青眸把「看图」变成「读懂」。果园里一次抓拍,逐叶分割、病害诊断、长势量化同时完成—— 苹果、梨、桃、葡萄,每一片叶子都有一个可追溯的编号。

38类病 / 健状态
14种主粮与经济作物
0.3s单图端到端推理
4个专用模型
0% 叶冠分割 mAP@50
0类 病害 / 健康状态识别
0s 单图端到端推理
0× 标注与复核效率提升

* 以上为内部测试集指标,正式对外发布前请以最新评测报告为准。

Model Matrix

四个模型,一个青眸内核

从分类到分割,从单片叶子到整片冠层,模型矩阵按任务分工,共享同一套农业视觉预训练表征。

分类模型 · Classification

一次抓拍,直接给出诊断结论

以迁移学习训练的轻量分类网络,覆盖苹果、桃、葡萄、柑橘等 14 种作物、38 类病害与健康状态。输出 Top-5 概率、中文病名与处置建议,可直接用于果园巡检报告。

  • 苹果黑星病、黑腐病、锈病等果园高发病害
  • Top-5 置信度 + 中文病名 + 农事建议,一次返回
  • 单叶、多叶混拍、正午强光与阴天场景均可用
主干网络
MobileNetV2 · 迁移学习
输入
224 × 224 RGB
输出
Top-5 类别 + 置信度
接口
POST /api/disease/predict
top-5 概率分布0.19s / img
  • 苹果 · 黑星病96.4
  • 苹果 · 黑腐病2.4
  • 苹果 · 锈病0.7
  • 苹果 · 健康0.3
  • 桃 · 细菌性穿孔病0.2

状态 · 病害建议疏除病叶、清园并喷施保护性药剂,7 天后复拍比对。

Workflow

从一张照片,到一条可执行的决策

不需要写代码,也不需要懂模型。四步完成一次完整的果园诊断闭环。

  1. 01

    影像采集

    手机、固定相机或无人机拍摄,原图直传,无需裁剪对齐。

  2. 02

    模型推理

    分类、评估、分割三类模型并行推理,秒级返回结构化结果。

  3. 03

    人工复核

    低置信度样本自动进入复核队列,点选修正即可完成标注。

  4. 04

    回流迭代

    复核数据一键导出 YOLO / COCO,回流训练,模型越用越准。

高分辨率整叶推理

滑窗分块 + 覆盖率前置过滤,2000 万像素的整叶图也能稳定出结果,空镜不再误报。

可解释的结果结构

不只给一个标签:概率分布、可疑区块、覆盖率与长势等级,全部可追溯、可写入报告。

开放导出与私有化

标准 HTTP 接口 + Docker 交付,数据不出内网;标注结果兼容主流训练格式。

Field Case

一棵苹果树
10 天,9 次抓拍

果园实拍,2960×1664 原图直出。每片叶子输出独立掩膜、标注点位与 IoU——点下面的日期,看模型那天看见了什么。

2960×1664原始抓拍分辨率
9次抓拍 · 跨 10 天
苹果树逐叶分割抓拍
掩膜叠加 · 逐叶实例 2026-10-12 08:00
45叶片实例
2,582标注点位
160.6叶面积 · 万 px²
32.6%占画面比例

* 同一机位连续抓拍,2026-10-03 至 10-12 共 9 次记录,日期取自画面内相机烧录时间。叶片数量随物候、光照与拍摄角度变化;统计数据取自标注查看面板,画面占比按掩膜像素 ÷ 2960×1664 计算。

Monitoring Board

从单帧诊断,到一条时间曲线

把每天同一机位的抓拍串起来,长势和叶色就成了趋势线——什么时候开始黄化、哪一周病害抬头,一眼看得出来。

果园长势看板 2026-09-01 → 2026-10-19 · 连续抓拍汇总
长势综合趋势与叶片颜色构成图表
长势综合趋势 植被覆盖率、健康评分、长势评分三条曲线叠在一起,用来判断整体走势与拐点。
叶片颜色构成 健康绿叶 / 黄化 / 褐变的面积占比堆叠,衰退期与褐变比例同步抬升。
记录对比 本期 39 次记录中,衰退 16 次、稳定 15 次,用来评价管理措施是否见效。
Scenarios

一片叶子能回答的问题,比想象中多

从田间到实验室,从单次诊断到区域态势,同一套模型能力支撑不同角色的日常。

苹果园日常巡检

对着树冠拍一张,逐叶定位病斑与虫咬,出园前就知道哪几棵树要单独处理。

苹果园

梨 / 桃 / 葡萄园

同一套流程迁移到其他落叶果园,补充样本即可微调,不必从零训练。

多树种

叶果比与负载评估

用叶片实例数与冠层覆盖度估算叶果比,辅助疏花疏果与套袋决策。

花果管理

植保处方与留痕

诊断结果直接生成服务单,用药、时间、地块全程可追溯,果园管理有据可查。

农事服务

科研与育种表型

连续抓拍形成时间序列,量化品系之间的叶片衰老与病害差异,结果可复现。

科研育种

区域病害预警

多园区上报汇总,按行政区与树种形成病害热力图与趋势曲线,提前布防。

农技监管
Architecture

一套可落地的农业视觉底座

数据在平台内形成闭环:越用越多,越多越准,越准越省人。

应用层Application
网页工作台 HTTP API 巡检报告 边端盒子
服务层Serving
模型路由 批量队列 结果缓存 置信度阈值
模型层Foundation
青眸 · 鉴 青眸 · 衡 青眸 · 形 青眸 · 基
数据层Data Loop
多源影像 提示式标注 复核队列 YOLO / COCO
私有化Docker 单机 / 内网部署,影像不出域
轻量化CPU 可推理,边缘设备亦可运行
可扩展新增作物只需补充样本与微调
Developer

三步接入,半小时上线

标准 multipart 上传,返回结构化 JSON。没有 SDK 绑定,也没有必须使用的框架。

  1. 01

    部署服务

    拉取镜像或本地启动,默认监听 5000 端口。

  2. 02

    上传图片

    POST 到对应能力端点,字段名固定为 file。

  3. 03

    读取结果

    解析 result 中的类别、置信度、覆盖率或掩膜。

获取完整接口文档 →
# 病虫害识别:38 类病 / 健状态
import requests

r = requests.post(
    "http://localhost:5000/api/disease/predict",
    files={"file": open("leaf.jpg", "rb")},
    data={"top_k": 5},
).json()

top = r["result"]["top1"]
print(top["class_cn"], top["confidence"])
# 苹果 · 黑星病  0.964
print(r["result"]["advice"])
# 同一接口的 cURL 写法
curl -X POST "http://localhost:5000/api/disease/predict" \
  -F "file=@leaf.jpg" \
  -F "top_k=5"

# 返回
{
  "success": true,
  "result": {
    "status": "disease",
    "top1": {
      "class_cn": "苹果 · 黑星病",
      "confidence": 0.964,
      "healthy": false
    },
    "advice": "疏除病叶、清园并喷施保护性药剂……"
  }
}
# 叶冠分割:覆盖率 + 长势等级 + 叠加图
r = requests.post(
    "http://localhost:5000/api/leafseg/predict",
    files={"file": open("canopy.jpg", "rb")},
    data={"conf": 0.25},
).json()["result"]

print(r["canopy_pct"], r["growth_level"])
# 61.3  茂密
# r["overlay_png_base64"] 可直接落盘或前端展示
温室育苗

把眼睛,放进田里

填写一次试用申请,我们会寄出样本采集清单与接入指引。
首批合作可享模型微调与私有化部署支持。

只需手机号即可,我们会寄出样本采集清单与接入指引。