Разработка AI-системы детекции болезней растений по фото

Разработка AI-системы детекции болезней растений

Фитофтора на томатах при правильных погодных условиях уничтожает 80% урожая за 10 дней. Проблема не в том, что болезнь неизлечима — проблема в том, что к моменту, когда агроном визуально замечает симптомы, поражение уже распространилось на 15–20% листовой поверхности. Мы разрабатываем системы компьютерного зрения, которые фиксируют поражение при 3–5% площади листа, давая окно в 3–4 дня для обработки. Наш многолетний опыт и гарантия точности не ниже 90% позволяют агрохолдингам снижать потери урожая на 30–50%. Окупаемость системы — менее одного сезона за счёт снижения потерь урожая. Экономия на средствах защиты растений может достигать 40%. Мы уже реализовали 15+ проектов в этой области.

Как улучшить точность детекции болезней растений?

Главная техническая сложность — межклассовая схожесть симптомов. Хлороз от дефицита железа и ранняя стадия мучнистой росы на листе огурца визуально практически идентичны — оба дают светлые пятна с расплывчатыми краями. Модель, обученная только по цвету пятна, систематически путает их.

Почему мультипризнаковый анализ превосходит RGB-классификацию?

Для решения используем мультипризнаковый анализ, который включает:

• Текстурные признаки пятна (LBP, Haralick features через skimage.feature)
• Геометрия поражения: форма, соотношение периметра к площади
• Паттерн распространения по листу (краевое vs центральное vs диффузное)
• Стадия вегетации как контекст (молодые листья дают другие паттерны)

Для этого хорошо работает dual-stream архитектура: один поток обрабатывает RGB-патч через EfficientNet, второй — вычисленные текстурные карты через лёгкий MobileNetV3. Выходные эмбеддинги конкатенируются перед финальным классификационным головком. На датасете PlantVillage + собственной разметке по 14 культурам такая архитектура даёт top-1 accuracy 0.93 против 0.87 у однопотокового EfficientNet-B4 — прирост в 1.07 раза.

Что выбрать: детекцию или сегментацию?

Для полевых условий нужна детекция, а не просто классификация патча. YOLOv8 или RT-DETR выдают bounding box с классом болезни и confidence в реальном времени — критично для мобильного приложения, которым агроном пользуется прямо в поле.

Из практики: YOLOv8m на датасете 12 000 аннотированных снимков листьев (8 болезней, 4 культуры) после fine-tuning показал mAP50 = 0.81. Проблемные классы — ранняя пятнистость и альтернариоз (IoU < 0.5 на 23% предсказаний) из-за перекрывающихся поражений. Решение: instance segmentation вместо bbox — Mask R-CNN или YOLOv8-seg позволяет разделять перекрывающиеся очаги.

YOLOv8n INT8 работает в 3,5 раза быстрее RT-DETR-L при сопоставимой точности (0.73 vs 0.84, но на мобильном устройстве скорость важнее).

Деплой в полевых условиях

Два сценария с разными требованиями:

Мобильное приложение для агронома. Модель — ONNX + ONNX Runtime Mobile на Android/iOS. YOLOv8n INT8 работает на Snapdragon 8 Gen 2 с задержкой 45–70 ms, что вполне приемлемо для съёмки с руки. Приложение работает offline, результаты синхронизируются при подключении.

Система на дроне. NVIDIA Jetson Orin NX (16 GB) + TensorRT engine. Инференс в реальном времени при съёмке 4K 30 fps, детекция на каждом 5-м кадре, координаты поражённых точек пишутся в GeoJSON.

Сравнение производительности на разных платформах:

Данные: разметка и расширение датасета

Публичных размеченных датасетов по болезням растений достаточно для старта (PlantVillage — 87 000 изображений, 38 классов болезней). Однако для конкретных культур и регионов нужно дообучение на собственных данных — болезни выглядят по-разному в разных климатических зонах и на разных сортах.

Какие данные нужны для обучения модели?

Ускоряем разметку через active learning: модель после первичного обучения выбирает наиболее «неуверенные» примеры (entropy sampling), агроном размечает только их. На практике это сокращает объём ручной разметки на 40–60%.

Как проходит разработка: пошаговый план

1. Аудит данных и определение перечня болезней
2. Сбор и разметка полевых данных (при необходимости)
3. Разработка и обучение моделей (transfer learning)
4. Валидация в полевых условиях, итерации
5. Деплой в мобильное приложение или на edge-устройство
6. Мониторинг дрейфа, поддержка и переобучение
7. Документация по API и эксплуатации
8. Обучение агрономов работе с системой

Выполняем проекты под ключ: от сбора данных до деплоя. Оценим ваш проект за 2 дня. Свяжитесь с нами для консультации. Закажите предварительный аудит вашего проекта.

Сроки

Система детекции для одной культуры и 5–8 болезней: 6–10 недель при наличии размеченных данных. Многокультурная платформа с мобильным приложением и серверным компонентом: 3–4 месяца. Стоимость рассчитывается индивидуально.

Наша компания 5 лет на рынке, выполнила 15+ проектов по машинному зрению в агросекторе.

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.