Leaf Curling & Margin Scorch Diagnosis | 植物卷叶/焦边识别（干旱/病害）
AI视觉识别植物卷叶与焦边，智能诊断胁迫原因
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Leaf Curling & Margin Scorch Diagnosis | 植物卷叶/焦边识别（干旱/病害）。 它的用途是：AI视觉识别植物卷叶与焦边，智能诊断胁迫原因 完整的 Skill 内容见：https://321skill.com/skills/leaf-curling-margin-scorch-diagnosis-植物卷叶-焦边识别-干旱-病害-x-6/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“分析最近24小时番茄种植区的叶片巡检图像，并给出健康报告。”，它会自动调取图像，识别出3号区域的叶片出现普遍上卷且新叶叶尖焦枯，结合该区域土壤湿度数据正常，初步判断可能为肥害或某种病害初期，并建议你重点检查该区域的施肥记录或进行病原采样。
介绍
本技能旨在解决农业生产中植物叶片卷曲、叶缘焦枯等异常现象难以快速、准确诊断的问题。传统依赖人工经验判断，效率低且易误判，该技能通过部署农业摄像头定期拍摄高清叶片图像，利用AI视觉技术自动分析卷曲方向（上卷或下卷）和焦边分布特征（老叶/新叶、叶尖/叶缘），并可结合土壤湿度传感器数据，综合判断导致问题的核心原因，如干旱胁迫、病害（白粉病、病毒病）、药害或肥害等。
使用时，用户需在温室或田间部署摄像头，设定巡检周期。系统会自动捕捉图像并分析，当检测到卷叶或焦边时，会生成包含原因推断和具体操作建议的诊断报告，例如“叶片上卷、叶缘焦枯，土壤湿度偏低，可能干旱，建议灌溉”。整个过程无需人工干预，实现自动化监测与预警。
该技能特别适合规模化种植的农场主、农业技术员、园艺师以及农业科研人员使用。对于需要精细化管理作物健康、希望降低植保成本、提升问题响应速度的农业生产者，本技能能提供有力的数据支持。
建议在部署初期，针对不同作物品种进行少量样本训练，以提升模型识别精度。同时，定期校准摄像头和传感器，确保数据准确性。对于复杂病害，本技能的诊断结果可作为重要参考，但仍建议结合实地采样进行实验室检测以最终确认。
核心特点
与仅识别叶片病害的通用技能不同，本技能专注于卷叶和焦边这两种非典型胁迫症状的精细化分析，能区分卷曲方向和焦边分布（老叶/新叶、叶尖/叶缘），并可融合土壤湿度等多源数据，实现从“识别现象”到“诊断原因”的跨越。
注意事项
不适用于叶片症状不明显或由多种复杂因素交织引起的极端复杂病况的最终确诊。
常见问题
需要搭配什么硬件？
需要农业摄像头（用于拍摄高清叶片图像），可选土壤湿度传感器（用于提供环境数据辅助诊断）。
能识别哪些具体病害？
主要辅助诊断由干旱、白粉病、病毒病、药害、肥害等引起的卷叶和焦边症状，并非直接识别所有叶片病害种类。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/leaf-curling-margin-scorch-diagnosis-植物卷叶-焦边识别-干旱-病害-x-6/raw/index.md 读取 Leaf Curling & Margin Scorch Diagnosis | 植物卷叶/焦边识别（干旱/病害） 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/leaf-curling-margin-scorch-diagnosis-植物卷叶-焦边识别-干旱-病害-x-6/raw/index.md（查看排版版本）