这张图由左、中、右三部分构成，整体围绕蔬菜病害多模态大模型展开。中间部分是课题逻辑框架，分为原稿基础与新增拓展、3 个关键科学问题、3 项研究内容、3 项拟创新点；研究主线设定为认识病斑症状、依据症状诊断、在不同温室中检验，总体目标是让模型输出病斑与诊断依据，在不同设施环境维持识别可靠性。左侧与右侧是两套同源但细节略有差异的技术路线，均基于同一个预训练基座实施分阶段递进训练；数据源包含病害图像区域标注、病害专业文本知识、温室设备生育期环境记录，完成数据核对治理之后划分训练验证集与独立保留的外部测试集，外部测试集采用未见温室、季节与设备样本，仅用于最终评价。技术路线依次分为三项递进的研究内容：第一部分开展症状‑概念对齐的语义表征学习得到 M1，建立症状和病害概念之间的对应关系；第二部分继承 M1 参数开展证据约束的定位与诊断联合学习得到 M2，实现病斑定位并输出诊断依据；第三部分继承 M2 开展条件一致性约束的泛化学习得到 M3，区分环境干扰与真实症状变化，提升陌生环境下的鲁棒性。推理阶段输入图像、诊断问题以及环境条件，输出病斑位置、可见症状、候选病害和诊断证据；最终采用 mAP、属性 F1 等多项指标开展独立评测。无论农业人工智能方向研究生还是基金申报撰写人员，都可以参考该图梳理课题的逻辑与技术实施路径。