Розробка AI-системи картування полів за даними дронів

Проектуємо та впроваджуємо системи штучного інтелекту: від прототипу до production-ready рішення. Наша команда поєднує експертизу в машинному навчанні, дата-інжинірингу та MLOps, щоб AI працював не в лабораторії, а в реальному бізнесі.
Показано 1 з 1Усі 1566 послуг
Розробка AI-системи картування полів за даними дронів
Середній
~1-2 тижні
Часті запитання

Напрямки AI-розробки

Етапи розробки AI-рішення

Останні роботи

  • image_website-b2b-advance_0.webp
    Розробка сайту компанії B2B ADVANCE
    1284
  • image_web-applications_feedme_466_0.webp
    Розробка веб-додатків для компанії FEEDME
    1196
  • image_websites_belfingroup_462_0.webp
    Розробка веб-сайту для компанії БЕЛФІНГРУП
    901
  • image_ecommerce_furnoro_435_0.webp
    Розробка інтернет магазину для компанії FURNORO
    1119
  • image_logo-advance_0.webp
    Розробка логотипу компанії B2B Advance
    586
  • image_crm_enviok_479_0.webp
    Розробка веб-додатків для компанії Enviok
    853

Система картографирования полей по данным дронов с ИИ

Сделать ортофотоплан поля — задача, которая решается стандартными фотограмметрическими пакетами за несколько часов. Но ортофотоплан — это только исходный материал. Реальная ценность начинается там, где из пикселей извлекается агрономически значимая информация: границы полей, типы культур, зоны неоднородности, история изменений.

Что сложно в агро-картографировании

Автоматическое выделение границ полей

На первый взгляд — задача сегментации. На практике — нет. Поля разделены межами шириной 30–50 см, которые на спутниковом снимке 10 м/пикс просто исчезают. Поля одной культуры сливаются визуально. Границы меняются каждый сезон.

Для точного выделения границ нужны высокоразрешающие снимки (< 0.5 м/пикс с дрона или < 1.5 м/пикс от коммерческих спутников типа Maxar WorldView-4). Архітектура: SegFormer или HRNet с специальным обучением на датасетах типа AI4Boundaries (Европа, 340 000 полей) или FieldsOfTheWorld.

Сложность, на которую все натыкаются: граница между полем и дорогой (оба объекта тёмные и линейные). Решение — добавление высотного канала из DSM (digital surface model) как дополнительного признака. Дорога плоская, межа часто имеет микрорельеф.

Классификация культур по временному ряду

Одиночный снимок не позволяет надёжно различить пшеницу и ячмень — на одной стадии они выглядят идентично. Временной ряд NDVI (phenological signature) решает проблему: разные культуры проходят пики вегетации в разные сроки.

Sentinel-2 даёт снимки раз в 5 дней при ясном небе, Sentinel-1 (SAR) — вне зависимости от облаков. Архітектура для классификации по временному ряду: LSTM или Transformer на последовательности ~20 снимков за сезон. Публичные предобученные модели: SITS-BERT, TempCNN.

На практике достигаем OA (overall accuracy) 0.91–0.95 по 8–12 классам культур при достаточном объёме разметки (500+ полей на класс).

Фотограмметрия и построение ортофотоплана

Пайплайн съёмки и обработки:

Планирование миссии: Mission Planner, DJI Terra, Pix4Dcapture. Перекрытие 75% продольное / 70% поперечное для надёжной фотограмметрии. Высота полёта = требуемый GSD × фокусное расстояние / размер пикселя матрицы.

Обработка: OpenDroneMap (open source) или Pix4Dmapper / Agisoft Metashape (коммерческие). ODM на GPU (CUDA) обрабатывает 500 снимков за 45 минут на RTX 3090 против 6 часов на CPU.

Выходные продукты:

  • Ортофото (GeoTIFF, разрешение 2–5 см/пикс)
  • DSM / DTM (цифровая модель поверхности/рельефа)
  • Плотное точечное облако (3D)
  • Мультиспектральные индексные карты (NDVI, NDRE, SAVI)

Автоматическая разметка изменений

Сравнение двух ортофото одного поля с разных дат — change detection. Задача для Siamese-сети или U-Net с разностным входом (две эпохи). Застосування: выявление новых объектов (постройки, дороги), изменение площадей посевов, динамика вегетации, последствия неблагоприятных событий (затопление, засуха).

Кейс: клиент — агрохолдинг, 35 000 га в 4 регионах. Задача — автоматическое обновление цифровой карты полей раз в сезон без ручной дигитализации. Система: Sentinel-2 ежемесячный мониторинг + U-Net change detection (backbone EfficientNet-B4). Точность выявления изменений границ > 0.5 га: recall 0.89, precision 0.84. Сократили время обновления карт с 2 недель ручной работы до 4 часов автоматической обработки.

Інтеграція с ГИС и агро-платформами

Все выходные данные в стандартных геопространственных форматах:

  • Растровые продукты: GeoTIFF, Cloud Optimized GeoTIFF (COG) для стриминга
  • Векторные данные: GeoJSON, Shapefile, GeoPackage
  • Тайловый сервис: XYZ-тайлы или WMS/WMTS для интеграции в веб-ГИС

Інтеграція с QGIS, ArcGIS, Agro-платформами (Cropio, EOS Crop Monitoring, ClimateFieldView) через стандартные API или файловый экспорт.

Автоматизация полётных операций

Для регулярного мониторинга — dock station + автономный дрон. DJI Dock 2 + Matrice 3D или Parrot ANAFI Ai: дрон вылетает по расписанию, выполняет миссию, возвращается и заряжается. CV-система обрабатывает данные автоматически без оператора.

Сроки

Одноразовое картографирование и анализ: 1–3 недели. Система регулярного мониторинга с автоматической обработкой и ГИС-интеграцией: 2–4 месяца.