AI+农业应用入门：从数据采集到模型推理的完整落地步骤

想在农业场景里用上 AI，不一定先买昂贵设备。
一台普通云服务器加一个 USB 摄像头或模拟传感器数据，就能跑通“采集—处理—推理—反馈”的最小闭环。
本文按零基础可照做的顺序，讲清环境准备、数据接入、模型调用和结果检查，最后给出常见故障的排查方向。

先明确你要跑通的最小流程

农业 AI 应用范围很广，包括病害识别、长势监测、灌溉决策等。
对新手来说，最现实的切入点是单张图片或单条传感器数据的分类推理，先验证链路通不通，再考虑多设备和大规模部署。

开始前请确认以下条件：

• 一台 Linux 云服务器或本地虚拟机，建议 2 核 4G 以上，Ubuntu 22.04 或 Debian 12 均可。
• 已安装 python3 和 pip，可通过 python3 --version 检查。
• 一个可用的图片或 CSV 数据样本，例如作物叶片照片或温湿度记录。
• 能通过 SSH 登录服务器，具备 sudo 权限。

如果使用宝塔面板，可以在“软件商店”中安装 Python 项目管理器，但本文以命令行方式为主，便于复现和排错。

安装依赖并准备推理环境

登录服务器后，先创建独立虚拟环境，避免污染系统 Python：

sudo apt update
sudo apt install -y python3-venv python3-pip
mkdir -p ~/agri-ai && cd ~/agri-ai
python3 -m venv venv
source venv/bin/activate
pip install --upgrade pip
pip install numpy pandas pillow onnxruntime

这里选用 onnxruntime 作为推理引擎，它体积小、CPU 即可运行，适合农业场景中常见的边缘设备或低配服务器。
安装完成后用 pip list 确认 onnxruntime 出现在列表中。

如果服务器无法访问外网，需要提前配置内网 pip 源或离线安装包，否则 pip install 会卡在下载阶段。

接入数据：从传感器或文件读取

农业数据来源通常分两类：实时传感器和离线文件。
新手建议先用 CSV 文件模拟，跑通后再换成串口或 MQTT 数据。

假设有一份 sensor.csv，包含 temperature 和 humidity 两列。
用 Python 读取并做简单清洗：

import pandas as pd

df = pd.read_csv('sensor.csv')
df = df.dropna()
df['temperature'] = df['temperature'].astype(float)
print(df.head())

如果数据来自摄像头，可以用 OpenCV 抓取一帧并保存为图片，再送入模型。
注意图片尺寸要与模型输入保持一致，常见为 224×224 或 640×640，具体取决于你使用的模型。

避坑点：传感器数据常出现空值或单位不一致，直接喂给模型会导致推理结果异常。
建议在读取后先检查 df.isnull().sum() 和数值范围。

调用轻量模型完成一次推理

为了不依赖 GPU，这里以 ONNX 格式的作物病害分类模型为例。
假设模型文件为 crop_model.onnx，输入为 1×3×224×224 的图片张量。

import onnxruntime as ort
import numpy as np
from PIL import Image

session = ort.InferenceSession('crop_model.onnx')
input_name = session.get_inputs()[0].name

img = Image.open('leaf.jpg').convert('RGB').resize((224, 224))
arr = np.array(img).astype(np.float32) / 255.0
arr = np.transpose(arr, (2, 0, 1))[None, ...]

result = session.run(None, {input_name: arr})[0]
print(result)

运行后应得到一组概率值或分类标签。
如果输出全为 0 或报错 Invalid input shape，优先检查图片通道数、尺寸和归一化方式是否与模型训练时一致。

模型文件需要从可信来源获取，或使用公开的农业图像数据集自行训练后导出。
不要直接使用来路不明的模型文件，以免引入安全风险。

把结果变成可用的农业反馈

拿到推理结果后，需要映射回业务含义。
例如输出索引 0 表示健康，1 表示叶斑病，2 表示锈病。
可以写一个简单映射字典，并把结果写入日志或通过接口返回：

labels = {0: '健康', 1: '叶斑病', 2: '锈病'}
pred = int(np.argmax(result))
print('识别结果：', labels.get(pred, '未知'))

如果需要定时采集，可以用 cron 每 30 分钟执行一次脚本：

crontab -e
# 添加一行
*/30 * * * * cd /home/ubuntu/agri-ai && ./venv/bin/python infer.py >> infer.log 2>&1

之后用 tail -f infer.log 观察输出，确认任务按预期运行。

常见报错与排查方向

• ModuleNotFoundError: No module named 'onnxruntime'：虚拟环境未激活或安装失败，重新执行 source venv/bin/activate 后再安装。
• Invalid input shape：图片尺寸或通道顺序不匹配，检查是否做了 transpose 和归一化。
• 推理结果始终不变：输入数据可能全为同一张图或未做预处理，打印 arr.shape 和 arr.min() 确认。
• 定时任务不执行：检查 cron 服务状态 systemctl status cron，并确认脚本路径使用绝对路径。

验证效果与下一步扩展

完成上述步骤后，用 3 到 5 张不同图片或不同时间段的数据重复推理，观察输出是否随输入变化。
如果结果合理，说明最小链路已经跑通；
如果偏差较大，优先回查数据质量和模型输入格式。

后续可以按需扩展：接入真实传感器、增加图片上传接口、把结果推送到手机通知，或者改用更轻量的量化模型降低资源占用。
每一步都建议先在小样本上验证，再投入生产环境。

AI+农业应用教程的核心不是一次部署多复杂，而是先让数据流动起来，再逐步替换和优化。
按照本文顺序操作，遇到异常时回看避坑部分，多数环境问题都能定位到具体命令或配置项。