评审的日子定在了一周后。

省科技厅派出的专家组由三人组成：一位是省农科院植保所的首席专家，头髮花白，神情严肃；一位是省信息工程大学人工智慧学院的教授，戴著眼镜，气质儒雅；还有一位是省高新技术產业投资公司的资深项目经理，穿著干练，眼神锐利。

袁天亲自陪同专家组来到绿源合作社。深秋的田野，晚稻已收，土地裸露著，显得有些萧瑟。

但在合作社的示范大棚区，却是一片生机勃勃。番茄、黄瓜、辣椒等作物长势喜人。

评审会就在大棚旁一间简陋的板房里进行。没有鲜花，没有水果，只有几张旧桌椅和老赵用大茶壶泡的热茶。气氛朴素而务实。

专家组组长，那位农科院的首席专家，开门见山：“赵社长，袁县长，我们时间有限。直接看效果。就选你们现在问题最突出的作物和病害，现场演示。”

老赵连忙点头，带著专家和袁天等人来到一个番茄大棚。

他指著一垄明显叶片发黄捲曲的植株：“专家，您看，就这个，黄叶子卷叶子的，就是前阵子闹得最凶的那种病！

用了袁县长推荐的药和法子，现在控制住了，但还有几棵没除乾净。”

农科院的专家蹲下身，仔细查看病株，又拔起一棵，观察根系，眉头紧锁：“嗯，典型的番茄黄化曲叶病毒病（tylcv），传播快，危害大。你们怎么发现的？”

老赵立刻拿出自己的旧手机，点开那个袁天推广的app，对著病株叶片拍了一张照。

几秒钟后，屏幕上清晰地显示出诊断结果：“高度疑似番茄黄化曲叶病毒病（tylcv），建议：1.立即拔除病株深埋；2.喷洒xx抗病毒製剂+yy杀虫剂（防治粉虱）；3.加强田间管理……”

农科院的专家接过手机，仔细看著诊断结果和建议，又对比著手中的病株，眼中闪过一丝惊讶。他看向那位人工智慧教授：“老李，你看这……”

李教授凑过来，看著app的界面和诊断过程，饶有兴趣：“哦？实时识別？准確率如何？模型训练数据来源是？”

袁天適时介绍道：“李教授，这是我们联合省农大一个团队开发的模型，核心算法基於改进的卷积神经网络（cnn）和迁移学习。

训练数据来源於省农科院、国家农业数据中心以及我们前期在林城本地採集的数万张病害图像。

针对tylcv这种本地高发病害，我们特意进行了强化训练和本地化適配。目前对几种主要病害的田间实时识別准確率，在光照良好条件下能达到92%以上。”他的介绍专业而清晰。

李教授频频点头：“思路正確。本地化適配是关键。92%的田间识別率，对於初期应用来说，相当不错了。”他转向老赵，“实际操作起来，感觉怎么样？农民兄弟能用得惯吗？”

老赵憨厚地笑了：“好用！太好用了！以前得跑老远请技术员，还不一定请得到，来了也不一定认得准。

现在有了这个『千里眼』，手机一拍，啥病啥虫，咋治咋防，清清楚楚！我们合作社的人，还有周边好些农户，都学会用了！省心！省钱！”

省高投公司的项目经理则更关注实际效益和推广价值：“赵社长，用了这个系统后，你们合作社在病虫害防治上的投入减少了多少？產量损害降低了多少？有没有初步估算？”

老赵早有准备，拿出一份简单但数据清晰的记录：“专家您看，就拿这个番茄大棚来说。往年这个时候，因为认不准病乱打药，光药钱一亩地就得比现在多花一两百块，还不算人工。病害厉害的时候，减產两三成也是常事。

今年用了这个法子，药钱省了差不多三成，最关键的是病害控制得及时，您看这长势，”他指著旁边健康茁壮的植株，“估摸著產量能比往年增一成以上！这还只是眼前看的见的！少打药，果子更安全，卖价也能上去点！”

三位专家一边听，一边翻看著项目申报材料、技术文档，不时低声交流几句。

农科院的专家仔细询问了具体防治措施的执行细节和效果验证；李教授则对技术实现、数据安全和后续升级计划问得很细；高投的项目经理则反覆核算著投入產出比、市场推广的可行性和潜在风险。

高投的项目经理则反覆核算著投入產出比、市场推广的可行性和潜在风险。

整个评审过程持续了两个多小时，气氛严谨而高效。没有客套寒暄，全是硬碰硬的专业问题和实际效果检验。

最后，三位专家走到一旁，低声商议了片刻。农科院的专家作为组长，代表专家组给出了评审意见。

本章未完，点击下一页继续阅读。（1 / 2）