新闻资讯

发布会演示环节，智能农业执法车对着远处的模拟点位扫了一遍，热成像屏幕上出现几个亮点，AI算法随即完成标注。整个过程不到一分钟。

台下看的人不一定都清楚，这个动作对应的是农业执法里最耗人力的一环：找问题。

农业执法的难处

农业执法覆盖的范围很广：耕地保护、农资质量、农机安全、渔业渔政、动植物检疫。这些事有个共同点，点位分散在农村，一个县动辄几百上千平方公里，执法队往往只有几台车、十几个人。

难处具体在三点。

一是路远。一个举报电话可能在几十公里外的村，来回一趟半天没了。

二是隐蔽。违规占用耕地、夜间非法捕捞、秸秆焚烧，这些行为都有时间性，白天去看不到，晚上去人手不够。

三是取证难。农田里发生的事，没有监控，没有目击者，靠人现场看到才能算证据。而人到现场时，行为往往已经结束。

这套条件下，执法的实际状态是“被动响应”：有人举报才去，去了可能已经晚了。

热成像为什么在这里有用

农业执法里有一类问题，跟温度直接相关。

秸秆焚烧，火点和过火地块的温度与周边明显不同，即便明火已灭，余温还能持续一段时间；夜间非法捕捞，人员和船只在水面上的热特征与背景差异大；畜禽养殖场违规排放，排口附近的温度异常也能反映问题；农机长时间作业后，发动机和传动部位温度升高，可以作为作业痕迹的佐证。

热成像的优势是不依赖可见光。夜里有热成像，等于有了夜视能力；有烟雾遮挡时，热成像的穿透性比普通摄像头好。

但热成像不是万能的。地表温度受日照影响大，午后和清晨的判断依据不同；水面反射会干扰；温差小的时候，目标会淹没在背景里。所以演示归演示，实际用起来要靠经验积累和算法调优。

AI标注的作用是“减负”

屏幕上跳出标注，看着是技术展示，实际解决的是人力问题。

一段航拍视频，几十分钟长，让人从头看到尾，眼睛会疲劳，注意力会下降，漏判是必然的。AI先把可疑位置标出来，人只需要核实标注的地方，工作量能降一个量级。

这也改变了取证的流程。过去的顺序是“发现—赶到—取证”，现在可以“先记录、后核实”：设备飞过时把画面和位置都存下来，执法人员后续按图去现场核查。时间和空间的限制松了一格。

不过要提醒一句，AI标注只能作为线索，不能作为结论。算法误判在农村复杂场景里很常见——一片反光的地膜、一堆堆肥、一台停着的农机，都可能被标成异常。所以这类系统在设计上通常要求人工复核，最终认定还是人做。

一台车能覆盖多大范围

这是采购时最实际的问题。

无人机的作业半径受电池和链路限制，一般覆盖周边若干公里。一台车停在一个中心点，能扫到的面积有限。要覆盖一个县的耕地，需要多点起降，或者多车协同。

所以这类装备的定位不是“替代巡查”，而是“提高单位人力的覆盖效率”。过去一个执法队一天跑三个点，现在可以先飞一遍圈定重点，再集中人力去核查，跑的点少了，但每个点都是有针对性的。

程力集团把这类车放在“车+机+云”平台上，隐含的前提就是多车、多设备协同。单台车的能力有限，形成网络才有价值。

对基层单位的启示

一是别指望一步到位。先用起来，跑通流程，再考虑扩大覆盖。设备买回来放着，是最常见的浪费。

二是要配人。一台车需要有人管飞行、有人管数据、有人管核查。如果只是让现有人员兼着做，用起来的概率很低。

三是要和现有系统对接。农业执法有自己的业务系统和案件流程，采集的数据要能进系统，不然还是要人工转录，效率提升有限。

四是把维护算进预算。电池有寿命，桨叶会损耗，软件要升级，这些都是持续支出。

一个县的实际账

一个农业县，执法大队十几个人、三四台车，一年要处理几百件举报和巡查任务。人手不够是常态。

如果有一台带无人机的执法车，一天可以跑三个片区，先在片区内飞一遍圈出重点，人再下车核实。过去一天跑一个片区还得赶时间，现在同样的时间能覆盖三个。这个变化不改变人员编制，改变的是覆盖密度。

成本这边也要算。设备采购是一次性投入，之后的电池、桨叶、维修、软件升级是持续支出。还有人员培训，操作无人机要懂空域规则、应急处置、数据判读。算下来，这类装备更适合“区域中心”模式：几个县共用一台，按需调度。

从“人找问题”到“问题找人”

这类装备带来的最深的变化，是工作方式的反转。

过去是“人找问题”：人开车到现场，靠眼睛看，靠经验判断，看到了才有事。人的体力和时间就是上限。

现在是“问题找人”：设备先扫一遍，把异常标出来，人再去看被标出来的地方。人的精力从“搜索”转向“判断”，这是两种完全不同的能力。

对农业执法这种点多面广的工作来说，这个转变的意义可能比效率提升更大。它让有限的执法力量，能够覆盖过去覆盖不到的地方。