Розробка AI-системи картографування полів за даними дронів

Поле знято, ортофотоплан побудовано. Але як із 500 МП пікселів отримати межі полів і карту культур? Без AI-моделей це ручна дигіталізація, яка займає дні. Ми автоматизуємо цей процес за допомогою сучасних архітектур — SegFormer, HRNet та LSTM для часових рядів. Наша команда AI/ML-інженерів має 5+ років досвіду в агро-комп'ютерному зорі, реалізувала 30+ проектів, обробила понад 150 000 га. Гарантуємо промислову надійність: від автономної зйомки до інтеграції з вашою ГІС. Знижуємо витрати на обробку даних у 2–3 рази.

Що складно в агро-картографуванні

Як AI-система визначає межі полів?

На перший погляд — задача семантичної сегментації. На практиці — ні. Поля розділені межами шириною 30–50 см, які на супутниковому знімку 10 м/пікс просто зникають. Поля однієї культури зливаються візуально. Межі змінюються щосезону. Для точного виділення меж потрібні високороздільні знімки (< 0.5 м/пікс з дрона або < 1.5 м/пікс від комерційних супутників типу Maxar WorldView-4). Архітектура: DeepLabV3+ з EfficientNet-B4 або SegFormer з навчанням на датасетах типу AI4Boundaries (Європа, 340 000 полів) або FieldsOfTheWorld. Складність, на яку всі натикаються: межа між полем і дорогою (обидва об'єкти темні та лінійні). Рішення — додавання висотного каналу з DSM (digital surface model) як додаткової ознаки. Дорога пласка, межа часто має мікрорельєф. Економія часу на обробку даних — до 80% порівняно з ручною дигіталізацією.

Чому часовий ряд NDVI важливий для класифікації культур?

Одиночний знімок не дозволяє надійно розрізнити пшеницю та ячмінь — на одній стадії вони виглядають ідентично. Часовий ряд NDVI (phenological signature) вирішує проблему: різні культури проходять піки вегетації в різні терміни. Sentinel-2 дає знімки раз на 5 днів при ясному небі, Sentinel-1 (SAR) — незалежно від хмар. Архітектура для класифікації за часовим рядом: TempCNN або Transformer на послідовності ~20 знімків за сезон. Публічні передтреновані моделі: SITS-BERT. На практиці досягаємо OA (overall accuracy) 0.91–0.95 по 8–12 класах культур при достатньому обсязі розмітки (500+ полів на клас). Вартість обробки одного гектара знижується в 2–3 рази при переході на AI.

Фотограмметрія та побудова ортофотоплану

Пайплайн зйомки та обробки:

• Планування місії: Mission Planner, DJI Terra, Pix4Dcapture. Перекриття 75% поздовжнє / 70% поперечне для надійної фотограмметрії. Висота польоту = необхідний GSD × фокусна відстань / розмір пікселя матриці.
• Обробка: OpenDroneMap (open source) або Pix4Dmapper / Agisoft Metashape (комерційні). ODM на GPU (CUDA) обробляє 500 знімків за 45 хвилин на RTX 3090, що в 8 разів швидше за CPU.

Вихідні продукти:

• Ортофото (GeoTIFF, роздільна здатність 2–5 см/пікс)
• DSM / DTM (цифрова модель поверхні/рельєфу)
• Щільна точка хмара (3D)
• Мультиспектральні індексні карти (NDVI, NDRE, SAVI)

Порівняння джерел даних

Як працює change detection?

Порівняння двох ортофото одного поля з різних дат — change detection. Задача для Siamese-мережі або U-Net з різницевим входом (дві епохи). Застосування: виявлення нових об'єктів (будівлі, дороги), зміна площ посівів, динаміка вегетації, наслідки несприятливих подій (затоплення, посуха).

Кейс: клієнт — агрохолдинг, 35 000 га в 4 регіонах. Задача — автоматичне оновлення цифрової карти полів раз на сезон без ручної дигіталізації. Система: Sentinel-2 щомісячний моніторинг + U-Net change detection (backbone EfficientNet-B4). Точність виявлення змін меж > 0.5 га: recall 0.89, precision 0.84. Скоротили час оновлення карт з 2 тижнів ручної роботи до 4 годин автоматичної обробки.

Порівняння архітектур сегментації

SegFormer перевершує U-Net на 12% по IoU, але трохи повільніший. DeepLabV3+ — оптимальний баланс точності та швидкості.

Інтеграція з ГІС та агро-платформами

Всі вихідні дані у стандартних геопросторових форматах:

• Растрові продукти: GeoTIFF, Cloud Optimized GeoTIFF (COG) для стрімінгу
• Векторні дані: GeoJSON, Shapefile, GeoPackage
• Тайловий сервіс: XYZ-тайли або WMS/WMTS для інтеграції в веб-ГІС

Інтеграція з QGIS, ArcGIS, агро-платформами (Cropio, EOS Crop Monitoring, ClimateFieldView) через стандартні API або файловий експорт. Це дозволяє будувати зональні карти управління (VRA maps) для точного землеробства.

Автоматизація польотних операцій

Для регулярного моніторингу — dock station + автономний дрон. DJI Dock 2 + Matrice 3D або Parrot ANAFI Ai: дрон вилітає за розкладом, виконує місію, повертається та заряджається. CV-система обробляє дані автоматично без оператора. Замовте консультацію, щоб оцінити застосовність для ваших полів.

Що входить у роботу

1. Технічне завдання та пілотна ділянка: обговорюємо вимоги, обираємо поле для тесту (до 50 га).
2. Збір даних: організовуємо зйомку дроном або використовуємо знімки замовника.
3. Розробка моделі: підбираємо архітектуру, навчаємо під ваші культури та регіон.
4. Інтеграція: налаштовуємо пайплайн обробки, вивантажуємо результати у вашу ГІС.
5. Документація та навчання: передаємо інструкції, проводимо вебінар для агрономів.
6. Підтримка: технічна підтримка на 3 місяці, оновлення моделі по мірі надходження нових даних.

Типові помилки при плануванні місії

• Недостатнє перекриття знімків — якщо поздовжнє перекриття менше 70%, фотограмметрія дає розриви. Рекомендуємо 75%.
• Ігнорування висотних об'єктів — дерева та лінії електропередач створюють тіні та спотворюють DSM. Плануйте місію опівдні.

Терміни

Одноразове картографування та аналіз: 1–3 тижні. Система регулярного моніторингу з автоматичною обробкою та ГІС-інтеграцією: 2–4 місяці.

Отримайте консультацію безкоштовно — зв'яжіться з нами для оцінки ваших даних. Ми підберемо рішення під ваш бюджет і покажемо, як AI-платформа для точного землеробства окупається за один сезон.

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.