Розробка AI-системи детекції хвороб рослин

Розробка AI-системи детекції хвороб рослин

Фітофтора на томатах при правильних погодних умовах знищує 80% врожаю за 10 днів. Проблема не в тому, що хвороба невиліковна — проблема в тому, що на момент, коли агроном візуально помічає симптоми, ураження вже поширилося на 15–20% листової поверхні. Ми розробляємо системи комп'ютерного зору, які фіксують ураження при 3–5% площі листа, даючи вікно в 3–4 дні для обробки. Наш багаторічний досвід і гарантія точності не нижче 90% дозволяють агрохолдингам знижувати втрати врожаю на 30–50%. Окупність системи — менше одного сезону за рахунок зниження втрат врожаю. Економія на засобах захисту рослин може досягати 40%. Ми вже реалізували 15+ проєктів у цій області.

Як покращити точність детекції хвороб рослин?

Головна технічна складність — міжкласова схожість симптомів. Хлороз від дефіциту заліза та рання стадія борошнистої роси на листі огірка візуально практично ідентичні — обидва дають світлі плями з розмитими краями. Модель, навчена тільки за кольором плями, систематично плутає їх.

Чому мультиознаковий аналіз перевершує RGB-класифікацію?

Для вирішення використовуємо мультиознаковий аналіз, який включає:

• Текстурні ознаки плями (LBP, Haralick features через skimage.feature)
• Геометрія ураження: форма, співвідношення периметру до площі
• Патерн поширення по листу (крайове vs центральне vs дифузне)
• Стадія вегетації як контекст (молоде листя дає інші патерни)

Для цього добре працює dual-stream архітектура: один потік обробляє RGB-патч через EfficientNet, другий — обчислені текстурні карти через легкий MobileNetV3. Вихідні ембідінги конкатенуються перед фінальним класифікаційним головком. На датасеті PlantVillage + власній розмітці по 14 культурах така архітектура дає top-1 accuracy 0.93 проти 0.87 у однопотокового EfficientNet-B4 — приріст у 1.07 раза.

Що обрати: детекцію чи сегментацію?

Для польових умов потрібна детекція, а не просто класифікація патча. YOLOv8 або RT-DETR видають bounding box з класом хвороби та confidence в реальному часі — критично для мобільного застосунку, яким агроном користується прямо в полі.

З практики: YOLOv8m на датасеті 12 000 анотованих знімків листя (8 хвороб, 4 культури) після fine-tuning показав mAP50 = 0.81. Проблемні класи — рання плямистість та альтернаріоз (IoU < 0.5 на 23% передбачень) через перекривні ураження. Рішення: instance segmentation замість bbox — Mask R-CNN або YOLOv8-seg дозволяє розділяти перекривні осередки.

YOLOv8n INT8 працює в 3,5 рази швидше RT-DETR-L при порівнянній точності (0.73 vs 0.84, але на мобільному пристрої швидкість важливіша).

Деплой у польових умовах

Два сценарії з різними вимогами:

Мобільний застосунок для агронома. Модель — ONNX + ONNX Runtime Mobile на Android/iOS. YOLOv8n INT8 працює на Snapdragon 8 Gen 2 із затримкою 45–70 ms, що цілком прийнятно для зйомки з руки. Застосунок працює offline, результати синхронізуються при підключенні.

Система на дроні. NVIDIA Jetson Orin NX (16 GB) + TensorRT engine. Інференс у реальному часі при зйомці 4K 30 fps, детекція на кожному 5-му кадрі, координати уражених точок записуються в GeoJSON.

Порівняння продуктивності на різних платформах:

Дані: розмітка та розширення датасету

Публічних розмічених датасетів по хворобах рослин достатньо для старту (PlantVillage — 87 000 зображень, 38 класів хвороб). Однак для конкретних культур та регіонів потрібне донавчання на власних даних — хвороби виглядають по-різному в різних кліматичних зонах та на різних сортах.

Які дані потрібні для навчання моделі?

Пришвидшуємо розмітку через active learning: модель після первинного навчання обирає найбільш «невпевнені» приклади (entropy sampling), агроном розмічає тільки їх. На практиці це скорочує обсяг ручної розмітки на 40–60%.

Як проходить розробка: покроковий план

1. Аудит даних та визначення переліку хвороб
2. Збір та розмітка польових даних (при необхідності)
3. Розробка та навчання моделей (transfer learning)
4. Валідація в польових умовах, ітерації
5. Деплой у мобільний застосунок або на edge-пристрій
6. Моніторинг дрейфу, підтримка та перенавчання
7. Документація по API та експлуатації
8. Навчання агрономів роботі з системою

Виконуємо проєкти під ключ: від збору даних до деплою. Оцінимо ваш проєкт за 2 дні. Зв'яжіться з нами для консультації. Замовте попередній аудит вашого проєкту.

Терміни

Система детекції для однієї культури та 5–8 хвороб: 6–10 тижнів за наявності розмічених даних. Багатокультурна платформа з мобільним застосунком та серверним компонентом: 3–4 місяці. Вартість розраховується індивідуально.

Наша компанія 5 років на ринку, виконала 15+ проєктів з машинного зору в агросекторі.

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.