油茶叶片上的细小病斑，怎样才能从复杂背景中准确识别？学生借助AI完成了作业，又是否真正理解所学知识？在中南林业科技大学教授李琳的报告中，这两类问题分别对应农林智能感知与工程教育研究，也让AI的应用落到了具体对象和任务上。

10月24日，在学术文化节中南林业科技大学站第十七届创新发展论坛上，李琳作了题为《AI赋能科教：面向农林应用的智能感知与工程教育创新实践》的报告。她从油茶病虫害识别、植株结构分析谈到工科课程的认知诊断，介绍课题组的研究进展，以及仍在探索的问题。

李琳作报告。主办方 供图

看清病斑，也看清植株结构

让计算机在叶片图像中找出病斑，实际面对的情况比辨认一张清晰图片复杂得多。李琳介绍，病斑边缘可能模糊，颜色可能与背景相近，细小病斑容易被忽略；叶片相互重叠、同一叶片出现不同病害，又增加了识别难度。

围绕这些问题，团队先从图像特征入手，改进特征提取与融合方式，增强模型对细节和相似病害的区分能力，同时对网络进行轻量化处理。她展示了分割结果，说明模型对细小病斑的识别效果。

随后，团队将文本与图像结合起来。病害的文字描述可以补充图像信息，帮助模型区分病斑与环境特征；针对重叠叶片、小范围病变等情况，再调整模型关注的位置和不同信息的作用。研究还引入强化学习，调节图像与文本特征的融合比重。

大模型的加入，使这条技术路线进一步延伸到病害分析。李琳介绍，团队借助GPT-4生成图像的文本描述，将图文信息输入分割网络，再结合识别结果进行初步诊断，并借助DeepSeek开展进一步推理，连接特征识别、病理分析和防治建议等环节。

她展示的应用界面中，输入一张病害叶片图片，可以查看识别出的病害类别、病斑面积占比，以及相关病害特征和预防信息。这些研究尝试将图像中的识别结果转化为更便于使用者理解的信息。

从一片叶子转向整株植物，获取信息的方式也随之变化。李琳介绍，团队利用RGB相机围绕植株拍摄，再提取关键帧进行分析，研究植物茎叶等器官的三维分割。但在恢复三维结构时，遮挡会造成点云缺失，噪声和相邻目标也会干扰识别。

为此，团队开展点云补全研究，保留已有观测，对缺失部分进行建模补全，并整理了100余株油茶的RGB点云。李琳展示了油茶及其他植物数据上的初步比较结果，说明补全对于减少结构缺失和改善表型测量的作用。

这些工作也为油茶产量预测提供了研究基础。李琳介绍，产量预测是课题组目前正在开展的工作：采集、处理植株点云，研究结构补全，再结合相关信息建立预测模型，并将预测结果与实际采收称重对照。模型能否回应田间需求，还要通过这一步验证。

从答题结果追问学习过程

谈到教学，李琳将问题从AI能否帮助完成任务，转向教师如何理解学生的学习。工具可以让学生较快得到答案，也能帮助教师批改作业，但任务完成之后，学生能否解释答案、迁移知识，仍需要进一步判断。

她用一道电路题作说明：三位学生答错同一道题，背后的情况却可能不同。一位学生连相关基础概念题也经常出错；另一位基础题多能答对，遇到综合题才出现困难；还有一位做过的相关题目太少，现有记录不足以支持判断。仅看一个错误结果，难以确定该怎样帮助他们。

课题组因此把实际作答和题目内容放在一起分析。一方面整理学生已有的学习记录，另一方面刻画题目所考查的知识点、难度与解题要求，再根据记录是否充分，调整不同信息的参考权重。李琳展示了交互式诊断界面，希望通过对知识掌握情况的预测，辅助教师定位薄弱环节。

同一个知识点，也可能提出不同的认知要求。她举出电阻串并联和欧姆定律的例子：计算电流，需要运用相应步骤；解释某条支路发生故障后电流为何变化，则要求理解电路关系并进行分析。两道题涉及相同知识，学生完成任务时需要调动的能力却不同。

研究由此进一步细分题目的知识类型、认知操作和推理深度。面对复杂的标签标注工作，团队借助大模型提出标注，再由专业教师核验。形成的多维画像，用于观察学生在不同任务中的表现，也帮助教师了解小组或班级的整体情况。

一次诊断仍不足以说明整个学习过程。学生偶然答对或答错，作答记录较少，答题速度有快有慢，这些情况都可能影响判断。李琳介绍，课题组正进一步研究认知追踪，希望利用连续记录观察学习状态怎样变化。她同时说明，这部分具体成果尚未形成，仍是当前的重要研究方向。

工程教育的评价还需要走出预设题目。李琳提出，选择题、填空题或问答题，与实际工程任务之间仍有距离。团队正以实验课和课程设计为依托，探索综合源代码、仿真与波形、硬件成品视频以及AI对话等材料，分析学生的工程能力。

在这一探索中，完成一个作品只是可以观察到的结果，学生怎样实现、测试和解释它，同样需要留下依据。从题目作答到工程实践，李琳希望把对学生学习的判断放到更充分的证据中检验，并通过实际任务考察他们能否运用所学知识。