AI-базована система виявлення шкідників
Колорадський жук відкладає яйця на нижній поверхні листка — туди, де дрон дивиться крайнє рідко. Трипси видні лише при 10-кратному збільшенні. Павутинний клещ залишає сліди, які агроном плутає із сонячним опіком. Виявлення шкідників — технічно одна з найскладніших завдань у агро-CV: об'єкти малі, маскуючі, часто закриті листям.
Чому стандартні CV-підходи тут не працюють
Проблема масштабу об'єктів
Попелиця на листку 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 виявляється жодною 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 макрозйомки із телефона у програмі.
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 та більшість стандартних детекторів погано працюють з об'єктами < 32×32 пікселя. Використовуємо кілька підходів залежно від завдання:
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 змін вагів.
Спеціалізовані архітектури для дрібних об'єктів — RFLA (Receptive Field Loss for Small Object Detection), QueryDet, або кастомні FPN з додатковим високо розрізняючим виходом P2.
На завданні підрахунку білокрилки на ловчих листах (жовті клеєві пастки): YOLOv8n із SAHI при tile_size=640 дав mAP50 = 0.79, тоді як стандартний інфернс на повному зображенні 4000×3000 — лише 0.52.
| Підхід | mAP50 (дрібні об'єкти) | Швидкість інферсу |
|---|---|---|
| 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 — окреме завдання
Детекція «є / нема» недостатня для прийняття рішень про обробку. Потрібен кількісний підрахунок на одиницю площі. Для щільних колоній (попелиця, трипси) bbox-детекція переходить у density estimation — CSRNet або DM-Count замість YOLO, передбачають density map та суммують передбачену кількість особин.
Моніторинг пасток з автоматичним розпізнаванням
Один з 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 клеєвій поверхні, дані йдуть в 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 розроблення
Збір даних. Основна складність — різноманітність умов освітлення (ранок/полудень/хмарно) та стадій розвитку шкідників (яйця, личинки, імаго виглядають по-різному). Потрібен мінімум 300–500 анотованих екземплярів кожного шкідника в кожній стадії.
Розмітка. Для пасток — bbox + підрахунок. Для полевих знімків — polygon segmentation для точного розмежування від фону. Використовуємо Label Studio із кастомним шаблоном для insect-детекції.
Обучение. Transfer learning від COCO weights (комахи представлені слабко, але низькорівневі ознаки переносяться). Focal loss із gamma=1.5 для компенсації дисбалансу фон/об'єкт.
Моніторинг у продакшені. Автоматичне сповіщення при перевищенні порогу чисельності (економічний поріг шкідливості — 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. Полевая багатовидова платформа з мобільною програмою та API: 2–4 місяці.