上传植物叶片图像或视频，获取带置信度的病害类型与通用防治方向。
13 次安装
设计与多媒体
Leaf Curling & Margin Scorch Diagnosis | 植物卷叶/焦边识别（干旱/病害）
试用上传叶片图像即可获得卷叶与焦边的结构化诊断报告，并按可能性排序干旱、病害等成因。
它能做什么
接收植物叶片图片或视频，输出卷曲方向（上卷/下卷/混合/无）、焦边位置（叶尖/叶缘/整叶）以及受害叶层（老叶/新叶）的识别结果；可叠加土壤湿度数据，按可能性排序干旱胁迫、白粉病、病毒病、药害、肥害、冷害等成因，并给出方向性建议，不涉及具体药剂或肥料名称及剂量。支持 jpg/png 图片与 mp4/avi/mov 视频，单文件不超过 10MB；历史报告通过云端接口查询，不从本地记录读取。
什么时候用它
- 温室番茄出现上卷叶，叠加土壤湿度判断是否缺水
- 果园管理者按周回看焦边分布记录
- 无人机巡检平台标记疑似白粉病发病区
- 农户在下一次灌溉前调阅往期叶片诊断清单
技能文档
🍃 Leaf Curling & Margin Scorch Diagnosis | 植物卷叶/焦边识别（干旱/病害）
智能分析中枢 · 图片/视频智能分析 · 结构化报告 · 历史报告云端查询
🧭 技能概览 | Overview
| 模块 | 内容 |
|---|---|
| 🏷️ 技能名称 | 植物卷叶/焦边识别（干旱/病害） |
| 🎯 核心目标 | 通过农业摄像头拍摄植物叶片的高清图像，利用AI视觉分析技术检测叶片卷曲方向（上卷或下卷）、焦边（叶缘干枯）的分布特征（老叶/新叶、叶尖/叶缘），并可结合土壤湿度传感器数据（可选），综合判断卷叶/焦边的主要原因（干旱胁迫、病害如白粉病/病毒病、药害、肥害等）。系统定期巡检，发现卷叶或焦边时自动分析原因，输出诊断及建议（如'叶片上卷、叶缘焦枯，土壤湿度偏低，可能干旱，建议灌溉'）。 |
| 🖼️ 输入类型 | 图片、视频、本地文件、网络 URL |
| 📝 输出能力 | 结构化分析报告、识别/监测结果、建议与报告链接 |
| 🧩 场景码 | SMYX_LEAF_CURLING_SCORCH_DIAGNOSIS_ANALYSIS |
Using agricultural cameras to capture high-resolution images of plant leaves, AI vision techniques detect leaf curling direction (up-curling or down-curling) and the distribution of leaf-margin scorch (old vs new leaves, tip vs margin). Combined with optional soil-moisture sensor data, the system jointly judges the most likely cause of curling/scorching ( drought stress, diseases such as powdery mildew or virus, pesticide damage, fertilizer burn, etc.). This helps farmers quickly locate the problem and take targeted action. Application scenarios: open-field crops, greenhouse vegetables, orchards. The system periodically inspects fields; when curling or scorching is detected it automatically analyzes the cause and issues a diagnosis (e.g., 'leaves curled upward with margin scorch, soil moisture low — likely drought, suggest irrigation'). Skill features: leaf curling and margin scorch are common but easy to misjudge because drought, diseases and chemical damage share similar symptoms. AI-assisted visual diagnosis helps farmers respond correctly in time and reduce losses. Can be integrated into agricultural IoT systems, UAV inspection platforms, or mobile apps.
通过农业摄像头拍摄植物叶片的高清图像，利用AI视觉分析技术检测叶片卷曲方向（上卷或下卷）、焦边（叶缘干枯）的分布特征（老叶/新叶、叶尖/叶缘），并可结合土壤湿度传感器数据（可选），综合判断卷叶/焦边的主要原因（干旱胁迫、病害如白粉病/病毒病、药害、肥害等）。该技能有助于农民快速定位问题，采取针对性措施。应用场景：大田作物、温室蔬菜、果园。系统定期巡检，发现卷叶或焦边时自动分析原因，输出诊断及建议（如'叶片上卷、叶缘焦枯，土壤湿度偏低，可能干旱，建议灌溉' ）。技能特点：卷叶和焦边是农民常遇到的问题，但干旱、病害、药害症状相似，易误判。通过AI视觉辅助诊断，可帮助农民早期采取正确措施，减少损失。该技能可集成到农业物联网系统、无人机巡检平台或手机APP中。
🤖 AI 角色 | AI Role
| 角色要点 | 说明 |
|---|---|
| 说明 1 | **假设你是一个专业的植物逆境诊断 AI。你的任务是分析植物叶片的图像，识别卷曲方向（上卷/下卷）、焦边分布（叶尖/叶缘、老叶/新叶），并可结合土壤湿度数据（若提供），判断引起卷叶/焦边的主要原因。不要提供具体的农药或肥料名称、剂量，仅输出基于视觉（及可选土壤湿度）的可能原因排序与方向性建议。 ** |
🎬 技能演示 | Skill Demo
🎯 任务目标 | Goals
1. 🧩 技能用途
基于叶片高清图像（可选叠加土壤湿度等环境数据），识别卷曲方向与焦边分布特征，并给出干旱/病害/药害/肥害等原因的可能性排序
2. 🛠️ 能力范围
| 序号 | 具体能力 |
|---|---|
| 1 | 卷曲方向识别（上卷 / 下卷 / 混合 / 无） |
| 2 | 焦边分布检测（叶尖灼烧 / 叶缘焦枯 / 整叶干枯） |
| 3 | 受害叶层定位（老叶 / 新叶 / |
3. ⚡ 触发条件
| 触发类型 | 触发规则 |
|---|---|
| ✅ 默认触发 | 默认触发：当用户提供植物叶片图像或视频 URL/文件需要分析时，默认触发本技能进行卷叶/焦边诊断 |
| 🔎 明确分析意图 | 当用户明确提及卷叶、卷曲、上卷、下卷、焦边、叶缘焦枯、叶尖灼烧、干旱胁迫、白粉病、病毒病、药害、肥害、冷害、叶片干枯等关键词，并且上传了图像/视频文件 |
| 📚 历史报告查询 | 当用户提及以下关键词时，自动触发历史报告查询功能 ：查看卷叶焦边历史报告、叶片诊断报告清单、卷叶诊断清单、查询历史卷叶焦边诊断、显示所有卷叶焦边报告、显示叶片逆境诊断报告，查询卷叶焦边建议清单 |
4. 🤖 自动行为
| 自动行为 | 执行要求 |
|---|---|
| 📎 附件处理 | 如果用户上传了附件或者视频/图片文件，则自动保存为本地文件 |
| ☁️ 历史报告查询 | 如果用户触发历史报告查询关键词，必须直接调用云端 API 查询，不得从本地记忆或人工汇总中获取 |
⚠️ 强制数据获取规则（次高优先级）
橙色强约束： 历史报告清单只允许从云端接口读取，不允许从本地记录、长期记忆或人工汇总中提取。
必须执行：
python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --list
| 类型 | 要求 |
|---|---|
| ✅ 必须 | 使用 python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --list 调用 API 查询云端的历史报告数据 |
| 🚫 严格禁止 | 从本地 memory 目录读取历史会话信息 |
| 🚫 严格禁止 | 手动汇总本地记录中的报告 |
| 🚫 严格禁止 | 从长期记忆中提取报告 |
| ✅ 输出格式 | 必须统一从云端接口获取最新完整数据，然后以 Markdown 表格格式输出结果 |
📦 前置准备 | Requirements
- 依赖说明:scripts 脚本所需的依赖包及版本
requests>=2.28.0
🚀 操作步骤 | Workflow
🔐 用户身份处理（内部自动完成）
绿色安全原则： 用户身份参数由系统内部自动处理，不得向用户展示、询问或要求输入任何身份标识。
执行本技能分析或历史报告查询时，脚本会自动完成身份初始化：
| 场景 | 系统行为 |
|---|---|
| 上游系统有内部身份参数 | 由脚本静默接收并使用 |
| 上游系统未提供内部身份参数 | 脚本会自动复用本地缺省用户 |
| 本地缺省用户不存在 | 脚本会自动创建并在后续任务中复用 |
| 对用户输出 | 只展示分析进度、分析结果和报告链接，不展示内部身份值 |
🔒 关键约束
| 禁止/要求 | 说明 |
|---|---|
| 🚫 不得询问身份 | 不得提示用户输入用户名、手机号或任何内部身份参数 |
| 🚫 不得暴露身份值 | 不得在回复、报告、示例、错误提示中暴露内部身份值 |
| 🚫 不得列为用户参数 | 不得把内部身份参数列为用户需要理解或传入的参数 |
| ✅ 自动关联报告 | 历史报告查询同样由系统内部身份自动关联，用户只需表达“查看历史报告/报告清单”等意图 |
🧪 标准流程 | Standard Flow
| 步骤 | 阶段 | 执行动作 |
|---|---|---|
| 1 | 📥 准备叶片图像输入 | 提供本地文件路径或网络 URL；确保输入内容清晰、符合技能场景要求 |
| 2 | 🔐 系统自动完成身份关联 | 无需用户输入任何身份参数；不在回复中展示内部身份值 |
| 3 | ⚙️ 执行卷叶/焦边诊断 | 调用 -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis 处理输入（必须在技能根目录下运行脚本） |
| 4 | 📊 查看分析结果 | 接收结构化分析报告，查看识别/监测结果、风险提示、建议与报告链接 |
⚙️ 脚本参数说明
| 参数 | 含义 | 备注 |
|---|---|---|
--input | 本地叶片图像或视频文件路径 | 适用于本地文件分析 |
--url | 网络叶片图像或视频 URL 地址（API 服务自动下载） | API 服务自动下载网络资源 |
--pet-type | 类别标识，植物逆境诊断场景默认 other | 按需填写 |
--list | 显示卷叶/焦边历史诊断报告列表清单（可以输入起始日期参数过滤数据范围） | 用于云端历史报告查询 |
--api-url | API 服务地址（可选，使用默认值） | 按需填写 |
--detail | 输出详细程度（basic/standard/json，默认 json） | 输出详细程度 |
--output | 结果输出文件路径（可选） | 可选 |
🗂️ 资源索引 | Resource Index
| 资源类型 | 路径 | 用途 | 何时读取 |
|---|---|---|---|
| 🐍 必要脚本 | scripts/smyx_leaf_curling_scorch_diagnosis_analysis.py | 调用 API、执行分析或查询历史报告 | 执行分析或查询时使用 |
| 🐍 必要脚本 | scripts/config.py | 调用 API、执行分析或查询历史报告 | 执行分析或查询时使用 |
| 📘 领域参考 | references/api_doc.md | 了解 API 接口规范、字段说明和错误码 | 仅在需要了解接口规范或错误码时读取 |
⚠️ 注意事项 | Notes
| 分类 | 注意事项 |
|---|---|
| 📚 文档读取 | 仅在需要时读取参考文档，保持上下文简洁 |
| 📁 格式支持 | 输入要求：支持 jpg/png 图像或 mp4/avi/mov 视频，最大 10MB；建议同时上传整体形态与叶缘特写各一张 |
| 🧑⚖️ 结果性质 | 诊断结果仅作为植物逆境识别参考，疑似病害严重时建议结合实地踏查或专业植保咨询 |
| 🚫 脚本限制 | 禁止临时生成脚本，只能用技能本身的脚本 |
| 🌐 网络地址 | 传入的网络地址参数，不需要下载本地，默认地址都是公网地址，api 服务会自动下载 |
| 📜 报告输出 | 当显示历史分析报告清单的时候，从接口返回 json 数据中提取字段 作为超链接地址，且自动转化为如下 Markdown |
| 📜 报告输出 | 表格输出示例 |
🧰 使用示例 | Examples
# 分析本地叶片图像
python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --input /path/to/leaf.jpg
# 分析网络叶片图像/视频
python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --url https://example.com/leaf.jpg
# 显示历史诊断报告/卷叶焦边诊断清单（自动触发关键词：查看卷叶焦边历史报告、叶片诊断报告清单等）
python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --list
# 输出精简报告
python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --input leaf.jpg --detail basic
# 保存结果到文件
python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --input leaf.jpg --output result.json
常见问题
- 能自动区分干旱和病害吗？
- 系统会根据卷曲方向、焦边分布以及可选的土壤湿度数据，对干旱胁迫、白粉病、病毒病、药害、肥害、冷害等成因做可能性排序；文档提示疑似严重病害时仍建议结合实地踏查或专业植保咨询。
- 会推荐具体农药或肥料吗？
- 不会。技能角色设定明确限制输出仅为成因排序与方向性建议，不给出具体药剂名称和剂量。
- 历史报告从哪里读取？
- 只能通过 `python -m scripts.smyx_leaf_curling_scorch_diagnosis_analysis --list` 调用云端接口获取，文档明确禁止从本地 memory、人工汇总或长期记忆中提取。
相关技能
AI-powered plant nutrient deficiency diagnosis from leaf images. Detects leaf color, morphology changes (pale green/yellow-green/purple-red, marginal scorch, interveinal chlorosis) via computer vision, matches against common deficiency symptom databases, and outputs the most likely deficient nutrient element (nitrogen, phosphorus, potassium, iron, magnesium, zinc, etc.) with confidence score. Enables precision fertilization, avoids blind over-fertilization. Scenarios: smart planters, home gardening, agricultural greenhouses, plant factories. | 通过智能花盆、农业大棚或手机拍摄的植物叶片高清图像，利用AI视觉分析技术识别叶片颜色、形态变化（如叶色浅绿/黄绿/紫红、叶缘焦枯、叶脉间失绿等），与常见营养缺乏症特征库比对，输出最可能缺乏的营养元素（氮、磷、钾、铁、镁、锌等）及置信度。有助于精准施肥，避免盲目用肥造成浪费或伤害。应用场景：智能花盆、家庭园艺、农业大棚、植物工厂。
9 次安装
从连续日间叶片图像预测 3–7 天内脱落风险，并提前推送养护提醒。
12 次安装
给一张植物照片，输出 0–100% 的萎蔫指数，并结合土壤湿度判断是缺水还是水涝。
12 次安装
Using fixed cameras on a hydroponic growing rack to capture high-resolution images of plant roots (in transparent containers) and leaves (young and old), AI vision analysis identifies root color (white = healthy, yellow = early stress, brown = severe stress, black = rotting) and leaf morphology (tip burn, leaf-margin scorch, yellowing, curling) to judge whether the nutrient solution is too concentrated or too dilute, and. | 通过水培种植架的固定摄像头拍摄植物根系（透明容器）和叶片（新叶、老叶）的高清图像，利用AI视觉分析技术识别根须颜色（白色健康、黄色初期胁迫、褐色严重胁迫、黑色腐烂）、叶片形态（叶尖灼伤、叶缘焦枯、叶片黄化、卷曲）等特征，判断营养液浓度是否过浓或过稀，并输出调整建议（增加清水稀释或补充浓缩营养液）。
9 次安装
识别多肉图片中的黑腐、化水、徒长三种异常状态，输出严重程度与置信度。
11 次安装