Автономне керування сільгосптехнікою: CV, CAN-шина, MLOps

Автономне керування сільськогосподарською технікою на основі ШІ

Уявіть: поле кукурудзи після зливи — рядки зміщені, GPS показує одне, а реальне положення рослин інше. Оператор змушений постійно коригувати кермо, знижуючи швидкість і втрачаючи врожайність. Або нічна зміна: втома водія призводить до пропусків і перекриттів. AI-система автоматичного керування вирішує ці проблеми, забезпечуючи точне землеробство та точне слідування по рядках 24/7. Ми розробляємо такі системи під ключ для автономних тракторів. Комп'ютерний зір (Computer Vision) для сільського господарства на базі нейромереж (YOLOv8, SegFormer) у поєднанні з RTK-GNSS дозволяє витримувати точність ±2.5 см навіть у складних умовах: затінення, пил, дощ. Система не лише веде по рядах, але й автоматично детектує перешкоди — людей, тварин, каміння — з mAP50 >0.93. Це відповідає вимогам ISO 18497 і дозволяє вивести техніку на рівень автономності SAE 3-4. Оцінимо ваш проект за 2-3 дні. У цій статті розберемо ключові технічні проблеми та їх рішення.

Які проблеми вирішує AI-система керування сільгосптехнікою?

Є різниця між GNSS-автопілотом (рівень SAE 1–2) і повністю автономною машиною (рівень 4–5). Комп'ютерний зір критичний починаючи з рівня 3:

• Рівень 2 (GNSS + рульове керування): CV не потрібен для навігації, але потрібен для безпеки — детекція людей і перешкод.
• Рівень 3 (умовна автономія): CV доповнює GNSS — візуальне слідування по рядках культури (row guidance), детекція кінця ряду для автоматичного розвороту, коригування за видимими ознаками.
• Рівень 4 (висока автономія): Візуальна одометрія + Lidar SLAM для карти перешкод, семантична сегментація для розуміння типу поверхні, передбачення прохідності.

Як AI-система керування сільгосптехнікою підвищує точність навігації?

Завдання навігації по полю та рядах кукурудзи або соняшнику — хороший приклад, де CV працює краще чистого GPS. Комп'ютерний зір працює в 3 рази точніше чистого GPS при зміщенні рядків. Причина: ширина рядка закріплена на GPS-карті, але реальні рослини зміщуються через вітер, нерівномірне проростання, зсув при обробці ґрунту. CV адаптується в реальному часі.

Класичний підхід

Hough Transform для детекції ліній рядків на RGB-зображенні. Працює добре при хорошому освітленні та чітких рядах. Падає при забрудненні об'єктива, сильному боковому світлі, нерівномірному проростанні.

Сучасний підхід

Семантична сегментація SegFormer або Mask2Former з класами «рядок» / «міжряддя» / «ґрунт» / «перешкода». Backbone — попередньо навчений на ImageNet, fine-tuning на 3 000–5 000 агрознімків. Стійкий до складних умов, але потребує GPU на борту.

Компроміс для серійної техніки

Легка сегментація на FPGA або NPU: BiSeNetV2 або DDRNet-23-Slim дають mIoU > 0.82 при inference time < 15 ms на Hailo-8 (26 TOPS, 2.5W).

Які алгоритми використовуються для навігації по рядах?

Детекція перешкод — вимоги безпеки

Згідно з ISO 18497 система детекції перешкод повинна зупиняти машину при об'єкті висотою > 25 см на відстані до 3× гальмівного шляху. Для цього застосовуємо stereo vision (два об'єктиви, базис 30–60 см) або Lidar + камера fusion. Stereo дешевший в 2 рази, Lidar надійніший в умовах пилу та прямого сонця. На практиці: Lidar Ouster OS0-32 + RGB-камера, fusion через early fusion у 3D точковій хмарі або late fusion на рівні bounding boxes.

Критичні класи: людина, інша машина, тварина, великий камінь. mAP50 на цих класах повинен бути > 0.93 при recall > 0.97 — вимоги жорсткіші, ніж для стандартного CV.

Що входить у розробку AI-системи?

1. Технічне завдання та прототипування: вибір стереокамери/лідара, симуляція в CARLA/Gazebo.
2. Збір та розмітка датасету: від 5 000 кадрів з анотаціями bounding boxes та семантичною сегментацією.
3. Навчання моделей: YOLOv8 для детекції, SegFormer для сегментації, оптимізація до TensorRT/ONNX.
4. Розробка middleware на ROS 2 Humble з інтеграцією ISOBUS (ISO 11783).
5. Інтеграція з бортовою платформою (Jetson/FPGA) та стендові випробування.
6. Пілотне впровадження на 2-3 одиницях техніки з супроводом 1 місяць.

Обчислювальна платформа на борту машини

Вимоги жорсткі: вібрація, температура −30°C до +65°C, пил (IP67), живлення від бортової мережі 12/24V. Поширені рішення:

• NVIDIA Jetson AGX Orin — флагман за продуктивністю (275 TOPS), споживання 15–60W, є версія Industrial.
• Hailo-8L / Hailo-10H — спеціалізований inference accelerator, <5W.
• Xilinx Kria KV260 — FPGA-платформа для детермінованих завдань керування реального часу.

Стек ПЗ: ROS 2 (Humble/Iron) як middleware, Isaac ROS для інтеграції з Jetson, OpenCV + TensorRT для inference. Для планування траєкторії використовуємо model predictive control (MPC). Оцінка стану машини виконується за допомогою розширеного фільтру Калмана (EKF). Ми впроваджуємо MLOps для агросектору, що дозволяє автоматизувати цикл навчання та розгортання моделей.

Терміни та етапи робіт

Наш досвід та метрики

За більш ніж 10 років у AI/ML для агропрому ми реалізували понад 15 проектів: від систем обходу перешкод для John Deere 8R до повного автономного водіння для Claas Axion. Впровадження показують зниження витрат пального на 15-20% та збільшення продуктивності на 25% за рахунок цілодобової роботи без втоми оператора. Середня вартість впровадження — $25 000, окупність 8 місяців. Ми надаємо гарантію 12 місяців та сертифікат відповідності ISO 18497. Окупність системи становить менше одного сезону за рахунок економії пального та зростання врожайності.

Готові оцінити ваш проект? Отримайте консультацію наших інженерів — ми підберемо оптимальне рішення під ваш бюджет і парк техніки.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.