Розробка AI-системи для аналізу стану посівів

Технічна ситуація: безпілотник пролетів над полем, зняв 4 000 знімків, агроном три години дивився в монітор — і не побачив світло-жовті плями на північній ділянці. Це не проблема уваги, це проблема масштабу. Людське око фізично не обробляє тисячі гектарів із потрібною періодичністю. Ми розробляємо AI-системи комп'ютерного зору для аналізу посівів — автоматичне виявлення аномалій вегетації, класифікація стресових факторів і прогноз урожайності за даними з дронів, супутників і наземних камер. Наш досвід (10+ років в AI-рішеннях для агро) показує: ключ до точності — мультиспектральні дані, а не лише RGB. Система під ключ включає збір даних, розмітку, навчання та інтеграцію у вашу ERP. Оцінимо проєкт за 2-3 дні — зв'яжіться з нами для консультації.

Що реально складно в аналізі посівів

Чому RGB недостатньо для точного аналізу?

Більшість систем, які нам приносять на доопрацювання, навчені виключно на RGB-знімках. Це працює для грубої сегментації «поле / не поле», але не дає надійної класифікації стресового стану.

Ключовий індикатор — NDVI (Normalized Difference Vegetation Index): (NIR - RED) / (NIR + RED). Для його розрахунку потрібна мультиспектральна камера з каналами Red Edge та NIR. На практиці використовуємо Micasense RedEdge-MX або Sentera 6X, інтегровані з DJI Matrice 300.

Додатково застосовуємо:

• NDRE (Red Edge NDVI) — точніший для щільного зеленого покриву, де NDVI «насичується»;
• SAVI — NDVI з поправкою на ґрунт, критичний для ранніх стадій вегетації при LAI < 3;
• CWSI (Crop Water Stress Index) — за тепловими знімками (FLIR Tau 2 640), виявляє дефіцит вологи до видимих симптомів.

Один із показових кейсів: клієнт з 1 200 га пшениці хотів виявляти азотне голодування. На чистому RGB модель давала precision 0.61 — занадто багато хибних спрацьовувань на тінь від хмар. Додавання NDRE-каналу підняло precision до 0.87 при recall 0.83.

Архітектура моделі: сегментація vs класифікація

Для попіксельної карти стану посівів використовуємо семантичну сегментацію. Стек — PyTorch + segmentation_models_pytorch, backbone SegFormer-B3 або DeepLabV3+ з ResNet-50. SegFormer-B3 при схожій точності потребує вдвічі менше пам'яті та на 30% швидший за DeepLabV3+ при інференсі на GPU T4.

Для задач класифікації «стрес-фактор по полю» (посуха / хвороба / дефіцит N/P/K / бур'ян) застосовуємо EfficientNet-B4 з multi-label head — один знімок патча може одночасно містити кілька проблем.

Проблема датасетів

Публічні датасети (PlantVillage, CGIAR) гарні для старту, але мають серйозне зміщення: більшість знімків — лабораторні умови, яскраве рівномірне освітлення. В полі модель починає «пливти» через змінну хмарність, різні висоти зйомки та фенологічні стадії.

Стандартний шлях обходу: domain adaptation через Mean Teacher або AdaIN для стилізації польових знімків під різні умови освітлення. Плюс жорстка аугментація — випадкові тіні (Albumentations RandomShadow), симуляція серпанку (RandomFog), випадковий поворот на 360° (для аерознімків це цілком реально).

Як NDVI допомагає виявити азотне голодування?

NDVI прямо корелює з вмістом хлорофілу та азоту в листках. Падіння NDVI нижче порогового значення (0.6 для пшениці у фазі кущіння) вказує на азотне голодування задовго до пожовтіння листків. Наші моделі враховують пороги по кожній культурі та фазі, видаючи алерти в систему моніторингу.

Порівняння вегетаційних індексів

Як будується система

Для збору даних формуємо політні місії в Mission Planner або DJI Terra з перекриттям 75-80%. Розмітка через Label Studio з кастомним інтерфейсом для полігональної анотації. Мінімальний обсяг — 500 розмічених патчів на клас.

Препроцесинг: ортомозаїка через OpenDroneMap або Pix4Dmapper, радіометрична калібровка по еталонних панелях, атмосферна корекція (DOS або QUAC). Індекси обчислюємо в GDAL/rasterio.

Навчання: fine-tuning на попередньо навчених вагах ImageNet. Стратифікований k-fold по полях (не по патчах!) — інакше spatial autocorrelation завищує метрики. Логування через Weights & Biases — це MLOps-стандарт для відстеження експериментів. Забезпечуємо точність не нижче 85% mIoU.

Деплой: експорт в ONNX, оптимізація через TensorRT для серверного інференсу. Для бортового комп'ютера дрона — TensorFlow Lite з INT8 квантизацією. Результати — GeoTIFF з класифікаційною картою, інтеграція в QGIS або ArcGIS через WMS/WFS.

Що ви отримуєте

• Карти NDVI/NDRE з історією змін за сезон;
• Класифікаційну карту стрес-факторів з confidence score;
• Автоматичні алерти при падінні NDVI нижче порогового значення по зонах;
• Зонування для диференційованого внесення добрив (VRA-карти).

Економія на добривах за рахунок диференційованого внесення досягає 45%. Зниження витрат на моніторинг — до 60%.

Терміни

Базова система моніторингу на наявних даних з дрона: 4–8 тижнів. Повноцінна платформа з мультисезонною аналітикою та інтеграцією в агро-ERP: 3–5 місяців. Вартість розраховується індивідуально залежно від обсягу розмітки, кількості культур у моделі та інфраструктурних вимог.

Замовте пілотний проєкт — за 2 тижні отримаєте прототип карти стану полів. Зв'яжіться з нами, щоб отримати консультацію та точну оцінку.

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.