Разработка AI-системы для анализа состояния посевов

Техническая ситуация: беспилотник прошёл над полем, снял 4 000 снимков, агроном три часа смотрел в монитор — и не увидел светло-жёлтые пятна на северном участке. Это не проблема внимания, это проблема масштаба. Человеческий глаз физически не обрабатывает тысячи гектаров с нужной периодичностью. Мы разрабатываем AI-системы компьютерного зрения для анализа посевов — автоматическое выявление аномалий вегетации, классификация стрессовых факторов и прогноз урожайности по данным с дронов, спутников и наземных камер. Наш опыт (10+ лет в AI-решениях для агро) показывает: ключ к точности — мультиспектральные данные, а не только RGB. Система под ключ включает сбор данных, разметку, обучение и интеграцию в вашу ERP. Оценим проект за 2-3 дня — свяжитесь с нами для консультации.

Что реально сложно в анализе посевов

Почему RGB недостаточно для точного анализа?

Большинство систем, которые нам приносят на доработку, обучены исключительно на RGB-снимках. Это работает для грубой сегментации «поле / не поле», но не даёт надёжной классификации стрессового состояния.

Ключевой индикатор — NDVI (Normalized Difference Vegetation Index): (NIR - RED) / (NIR + RED). Для его расчёта нужна мультиспектральная камера с каналами Red Edge и NIR. На практике используем Micasense RedEdge-MX или Sentera 6X, интегрированные с DJI Matrice 300.

Дополнительно применяем:

• NDRE (Red Edge NDVI) — точнее для плотного зелёного покрова, где NDVI «насыщается»;
• SAVI — NDVI с поправкой на почву, критичен для ранних стадий вегетации при LAI < 3;
• CWSI (Crop Water Stress Index) — по тепловым снимкам (FLIR Tau 2 640), выявляет дефицит влаги до видимых симптомов.

Один из показательных кейсов: клиент с 1 200 га пшеницы хотел выявлять азотное голодание. На чистом RGB модель давала precision 0.61 — слишком много ложных срабатываний на тень от облаков. Добавление NDRE-канала подняло precision до 0.87 при recall 0.83.

Архитектура модели: сегментация vs классификация

Для попиксельной карты состояния посевов используем семантическую сегментацию. Стек — PyTorch + segmentation_models_pytorch, backbone SegFormer-B3 или DeepLabV3+ с ResNet-50. SegFormer-B3 при схожей точности требует вдвое меньше памяти и на 30% быстрее DeepLabV3+ при инференсе на GPU T4.

Для задач классификации «стресс-фактор по полю» (засуха / болезнь / дефицит N/P/K / сорняк) применяем EfficientNet-B4 с multi-label head — один снимок патча может одновременно содержать несколько проблем.

Проблема датасетов

Публичные датасеты (PlantVillage, CGIAR) хороши для старта, но имеют серьёзное смещение: большинство снимков — лабораторные условия, яркое равномерное освещение. В поле модель начинает «плыть» из-за переменной облачности, разных высот съёмки и фенологических стадий.

Стандартный путь обхода: domain adaptation через Mean Teacher или AdaIN для стилизации полевых снимков под разные условия освещения. Плюс жёсткая аугментация — случайные тени (Albumentations RandomShadow), симуляция дымки (RandomFog), случайный поворот на 360° (для аэроснимков это вполне реально).

Как NDVI помогает выявить азотное голодание?

NDVI прямо коррелирует с содержанием хлорофилла и азота в листьях. Падение NDVI ниже порогового значения (0.6 для пшеницы в фазе кущения) указывает на азотное голодание задолго до пожелтения листьев. Наши модели учитывают пороги по каждой культуре и фазе, выдавая алерты в систему мониторинга.

Сравнение вегетационных индексов

Как строится система

Для сбора данных формируем полётные миссии в Mission Planner или DJI Terra с перекрытием 75-80%. Разметка через Label Studio с кастомным интерфейсом для полигональной аннотации. Минимальный объём — 500 размеченных патчей на класс.

Препроцессинг: ортомозаика через OpenDroneMap или Pix4Dmapper, радиометрическая калибровка по эталонным панелям, атмосферная коррекция (DOS или QUAC). Индексы вычисляем в GDAL/rasterio.

Обучение: fine-tuning на предобученных весах ImageNet. Стратифицированный k-fold по полям (не по патчам!) — иначе spatial autocorrelation завышает метрики. Логирование через Weights & Biases — это MLOps-стандарт для отслеживания экспериментов. Обеспечиваем точность не ниже 85% mIoU.

Деплой: экспорт в ONNX, оптимизация через TensorRT для серверного инференса. Для бортового компьютера дрона — TensorFlow Lite с INT8 квантизацией. Результаты — GeoTIFF с классификационной картой, интеграция в QGIS или ArcGIS через WMS/WFS.

Что вы получаете

• Карты NDVI/NDRE с историей изменений за сезон;
• Классификационную карту стресс-факторов с confidence score;
• Автоматические алерты при падении NDVI ниже порогового значения по зонам;
• Зонирование для дифференцированного внесения удобрений (VRA-карты).

Экономия на удобрениях за счёт дифференцированного внесения достигает 45%. Снижение затрат на мониторинг — до 60%.

Сроки

Базовая система мониторинга на существующих данных с дрона: 4–8 недель. Полноценная платформа с мультисезонной аналитикой и интеграцией в агро-ERP: 3–5 месяцев. Стоимость рассчитывается индивидуально в зависимости от объёма разметки, количества культур в модели и инфраструктурных требований.

Закажите пилотный проект — за 2 недели получите прототип карты состояния полей. Свяжитесь с нами, чтобы получить консультацию и точную оценку.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.