端云协同 + 强化学习智控
从穿戴眼镜到移动平台
从穿戴眼镜到移动平台
让浆果种植更智能
面向经济作物的软硬一体感知与决策系统。通过穿戴式AI眼镜与智能地面巡检车，将经验可视、技能可教、数据可用，构建现代农场的移动调度大脑。
面向经济作物的软硬一体感知与决策系统。通过穿戴式AI眼镜与智能地面巡检车，将经验可视、技能可教、数据可用，构建现代农场的移动调度大脑。
让经验可视，让技能可教，让数据可用
苏州丰镜农业科技有限公司致力于面向浆果等经济作物种植的AI眼镜研发与产业化，并在此基础上融合智能地面巡检感知车，构建端侧感知与大脑决策的“边-云”协同系统。我们深度整合农业种植经验、科学知识图谱与实时多源设备数据，缩短经济作物的经验积累周期，实现标准化、可复制的数字农场管理。
通过“智能感知硬件（眼镜/巡检车）+ 移动调度终端 + 云端大脑平台”，我们为大型浆果等经济作物种植企业提供端到端的智慧农场决策闭环。
从识别(Lite)到控制(Pro)，从个体到平台(OS)的智能作业闭环
开机即用，可穿戴式双光路智能图像采集与病虫害、果实成熟度识别眼镜。
电动轮椅样式的移动底盘，加装工业级高频频闪视觉模组，可搭载作业人员驾驶进行果园行间精细化巡检。
智慧农业调度与设备联动终端，实现“感知-识别-决策-控制”闭环。
作为未来的农业操作系统，连接所有作业设备，实现从农场工具向生态平台能力的自然演进。
打通经济作物“感知 — 决策 — 反馈 — 控制”智能闭环
解决痛点：初期病灶微小（约2mm），常规相机巡检难看清；若全程高分辨率拍摄，则存在极大数据传输和算力开销。
技术方案：“巡检相机（PDAF对焦）+ 12.3MP 细节相机”双光路协同。平时低功耗巡检，边缘 AI 判定尺寸≤2mm 级疑似病灶时自动唤醒细节相机进行 5 连拍高清取证。像素—物理标定偏差≤5%。已申请发明专利。
实测指标：全链路实机验收通过，高清取证自动触发归档。2mm 级病灶检出率≥85%（预期指标）。
解决痛点：大模型直接部署端侧算力不足、延迟高，若过度依赖云端识别，则弱网断线即失效，流量开销惊人。
技术方案：YOLOv8量化压缩成 6.3MB 模型体积，适配 NCNN 推理框架，建立“PyTorch训练→ONNX/NCNN导出→边缘基准测试”下发流水线，同集量化精度损失控制在 mAP@50 下降 2.6 个百分点内。
实测指标：边缘单帧推理实测 70.0ms（约 14.3 FPS），提速约 3.3 倍。1.5秒巡检节拍下全程无队列积压。
解决痛点：移动巡检中，单帧图像受角度、光照和枝叶遮挡影响，成熟度判定结果抖动明显，导致错误决策。
技术方案：端侧检测模型输出成熟/转色/未成熟三级结果，维护最近 5 帧巡检图像的滚动窗口加权融合，输出稳态成熟度结论、估算熟果数并提供巡查方向提示，避免单帧噪点误判。
实测指标：成熟度检测与 5 帧滚动融合在端侧平稳运行。三级成熟度判定准确率≥90%，采摘窗口预测误差≤±3天。
解决痛点：偏远经济作物产区网络覆盖差，许多智能农服系统“无网即瘫痪”，且日常需要专业 IT 维护。
技术方案：端侧设备完全自治。JSON + SQLite（WAL 模式）双写保障断电一致性；5GB 滚动图像缓存；内置自组网热点，手机直连即可离线查看实时报告、结论与图像。核心服务守护进程自启自恢复。
实测指标：断网环境下运行状态不减，云端恢复后批量回传。支持田间无人值守连续运行≥72小时，数据零丢失。
解决痛点：传统视觉识别只能回答“是什么病”，无法回答“为什么发生、如何处置”，且农户种植经验和专业知识碎片化。
技术方案：整合农户经验、植保论文，构建包含病害、果实状态、物候期和气象环境的因果关联多源知识图谱。GraphRAG 系统基于图像识别结果进行多跳检索与证据聚合，提供具备农学逻辑依据的处置建议。
实测指标：覆盖蓝莓、葡萄等作物常见病虫害，视觉与农学逻辑链条打通，使决策“敢自动、可解释、能追责”。建议采纳率≥70%。
解决痛点：灌溉、喷药设备独立运行，依赖人工经验，缺乏统一协同，数据利用率低，闭环中转慢。
技术方案：以设备端上报的结构化状态为空间，以巡检路径、灌溉量、打药量为动作，训练强化学习决策调度网络。利用真实的农事行为链数据进行离线强化学习预训练，使调度策略收敛周期大幅压缩。
实测指标：决策经 Pro 终端直达喷淋、遮光等联动设备。实现节水率≥20%，人力调度效率提升≥40%，策略收敛周期≤4周。
针对经济作物种植，我们在感知分辨率、识别时效与控制闭环上具有显著优势
| 比较维度 | AgriCommand™ (苏州丰镜) | 无人机遥感方案 | 地面固定与手持相机方案 | 传统手工表单记录 |
|---|---|---|---|---|
| 感知入口 | AI眼镜(穿戴式) / Ground Inspector(移动感知车) | 无人机遥感 + 地面拍照 | 地面相机 + 手机部署 | 手动记录 / 手机拍照 |
| 最小可辨病灶 | ≤2mm 级病灶 (自动高清细节唤醒取证) | 米级航拍分辨率 (难以分辨初期病灶) | 果体级像素 | 依赖人工目测 / 拍照质量 |
| 识别时效 | 边缘实时百毫秒级 (完全离线可用) | 航拍后上传云端分析 (小时级) | 拍摄后云端离线分析 | 无自动识别 / 云端简单识别 |
| 控制设备联动 | 支持控制 (灌溉、喷药、遮光等闭环) | 仅做数据/图像分析展示 | 仅分析，不具备控制能力 | 无设备控制链路 |
| 人力与工单调度 | 支持 (多帧成熟度融合+工单路径规划) | 无作业安排与人力调度功能 | 无任务调度系统 | 无 / 仅有基础表单派发 |
| 部署与使用门槛 | 轻量化/按需付费 (低重资产，开机即用) | 重资产 (需要无人机及专业飞手) | 重资产 (需果园特定部署与模型定制) | 较低 (主要基于云端APP，需稳定网络) |