Розробка AI-системи детекції шкідників у агрокультурах

До нас звертаються власники агрохолдингів з проблемою: колорадський жук відкладає яйця на нижній поверхні листка — туди, де дрон дивиться вкрай рідко. Трипси видно тільки при 10-кратному збільшенні. Павутинний кліщ залишає сліди, які агроном плутає з сонячним опіком. Детекція шкідників — технічно одна з найскладніших задач агро-CV: об'єкти дрібні, маскуються, часто закриті листям. Ми спеціалізуємося на розробці AI-систем, які вирішують ці проблеми, і готові оцінити ваш проект.

Чому стандартні CV-підходи тут не працюють

Проблема масштабу об'єктів

Попелиця на листі розміром 1–2 мм. На знімку з дрона, що летить на висоті 10 метрів з GSD 2 мм/пікс, попелиця займає буквально 1 піксель. Це не детектується жодним YOLO.

Практичний висновок: для дрібних шкідників потрібна близька зйомка — автоматизовані системи з камерами на рівні рослини (роботизовані платформи, конвеєрні системи), пастки з камерами (sticky trap monitoring), або макрознімки з телефона в додатку.

Для великих шкідників (сарана, колорадський жук, гусениці) — дрони з GSD < 0.5 мм/пікс (висота польоту 3–5 м).

Детектор для дрібних об'єктів

YOLOv8 і більшість стандартних детекторів погано працюють з об'єктами < 32×32 пікселі. Використовуємо кілька підходів залежно від задачі:

Tile-based inference — зображення нарізається на патчі 640×640 з перекриттям 20%, кожен патч обробляється окремо. SAHI (Sliced Aided Hyper Inference) реалізує це поверх будь-якої YOLO-моделі без зміни ваг.

Спеціалізовані архітектури для дрібних об'єктів — RFLA (Receptive Field Loss for Small Object Detection), QueryDet, або кастомні FPN з додатковим високороздільним виходом P2.

На задачі підрахунку білокрилки на пастках (жовті клейові пастки): YOLOv8n з SAHI при tile_size=640 дав mAP50 = 0.79, тоді як стандартний інференс на повному зображенні 4000×3000 — лише 0.52.

Підрахунок шкідників — окрема задача

Детекція «є / немає» недостатня для прийняття рішень про обробку. Потрібен кількісний підрахунок на одиницю площі. Для щільних колоній (попелиця, трипси) bbox-детекція переходить в density estimation — CSRNet або DM-Count замість YOLO, передбачають density map і сумують передбачену кількість особин.

Що входить в роботу?

Кожен проект включає:

• Прототип моделі детекції/підрахунку.
• Навчання та валідацію на ваших даних.
• Інтеграцію з вашою інфраструктурою через API.
• Керівництво користувача та документацію.
• Два місяці безкоштовної підтримки після впровадження.

Ми маємо досвід 5 років на ринку агроAI та понад 15 виконаних проектів. Гарантуємо точність підрахунку ±15% для пасткового моніторингу при виконанні умов зйомки.

Як покращити точність на дрібних об'єктах?

Пастковий моніторинг з автоматичним розпізнаванням

Один із робочих та економічно виправданих форматів: розумні феромонні пастки з камерою (наприклад, Delta Trap + Raspberry Pi Camera v3 або готові пристрої типу Trapview). Камера робить знімок раз на 2–4 години, модель рахує кількість комах на клейкій поверхні, дані йдуть у хмару.

Для такої системи достатньо MobileNetV3-Small або EfficientNet-Lite0 з INT8 квантизацією — працює на Raspberry Pi Zero 2W при споживанні < 2W. Точність підрахунку ±15% при щільності до 200 особин на пастку.

Процес розробки

Збір даних. Основна складність — різноманітність умов освітлення (ранок/полудень/хмарно) та стадій розвитку шкідників (яйця, личинки, імаго виглядають по-різному). Потрібно мінімум 300–500 анотованих екземплярів кожного шкідника на кожній стадії.

Розмітка. Для пасток — bbox + підрахунок. Для польових знімків — polygon segmentation для точного розмежування від фону. Використовуємо Label Studio з кастомним шаблоном для інсект-детекції.

Навчання. Transfer learning від COCO weights (комахи там представлені слабо, але низькорівневі ознаки переносяться). Focal loss з gamma=1.5 для компенсації дисбалансу фон/об'єкт.

Моніторинг у продакшені. Автоматичне сповіщення при перевищенні порогу чисельності (економічний поріг шкодочинності — різний для кожної культури та шкідника, задається агрономом). Інтеграція з системами точного землеробства.

Строки

Система для 1–3 видів шкідників на пастках: 4–6 тижнів. Польова багатовидова платформа з мобільним додатком та API: 2–4 місяці. Вартість розраховується індивідуально. Зв'яжіться з нами для оцінки вашого проекту — отримайте консультацію безкоштовно.

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.