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.
| Підхід | mAP50 (дрібні об'єкти) | Швидкість інференсу |
|---|---|---|
| YOLOv8n standard | 0.52 | 15 ms |
| YOLOv8n + SAHI | 0.79 | 180 ms |
| YOLOv8m + SAHI | 0.84 | 310 ms |
| QueryDet | 0.81 | 95 ms |
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.
Додаткова інформація: порівняння підходів для польових знімків
| Метод | mAP50 (великі шкідники) | FPS | Примітка |
|---|---|---|---|
| YOLOv8x на повному кадрі | 0.91 | 45 | Потребує GPU |
| YOLOv8n + SAHI | 0.78 | 8 | Працює на Jetson Nano |
| Faster R-CNN + FPN | 0.93 | 12 | Важче, точніше |