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.
| Архітектура | mIoU (валідація) | Розмір моделі | Час інференсу (GPU T4) |
|---|---|---|---|
| UNet + ResNet-34 | 0.74 | 84 MB | 38 ms |
| DeepLabV3+ ResNet-50 | 0.78 | 142 MB | 51 ms |
| SegFormer-B3 | 0.81 | 47 MB | 28 ms |
| SegFormer-B5 | 0.84 | 82 MB | 44 ms |
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
| Індекс | Формула | Застосування |
|---|---|---|
| NDVI | (NIR - RED)/(NIR + RED) | Загальна вегетація, азотний статус (фаза кущіння) |
| NDRE | (NIR - Red Edge)/(NIR + Red Edge) | Щільна рослинність, пізні фази |
| SAVI | (NIR - RED)/(NIR + RED + L)*(1+L) | Ґрунтова корекція, LAI < 3 |
| CWSI | 1 - (T_veg - T_wet)/(T_dry - T_wet) | Водний стрес за тепловими даними |
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.