Розробка AI-системи детекції хвороб рослин
Фітофтора на томатах за правильних погодних умов знищує 80% урожаю 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% листкової поверхні.
Ми розробляємо системи комп'ютерного зору, які фіксують ураження при 3–5% площі листка, 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 сягати 40%. Ми вже реалізували 15+ проєктів у цій галузі.
Як покращити точність детекції хвороб рослин?
Головна технічна складність — міжкласова схожість симптомів. Хлороз від дефіциту заліза та рання стадія борошнистої роси на листку огірка візуально практично ідентичні — обидва дають світлі плями з розмитими краями. Модель, навчена лише 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 периметра до площі
- Паттерн поширення по листку (крайове vs центральне vs дифузне)
- Стадія вегетації як контекст (молоді листки дають інші паттерни)
Для цього добре працює dual-stream архітектура: один потік обробляє RGB-патч через EfficientNet, другий — обчислені текстурні карти через легкий MobileNetV3. Вихідні ембеддинги 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 вибрати: 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 у 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 і 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.
| Модель | mAP50 | mAP50-95 | FPS (мобільний GPU) |
|---|---|---|---|
| YOLOv8n | 0.73 | 0.51 | 42 |
| YOLOv8m | 0.81 | 0.58 | 18 |
| RT-DETR-L | 0.84 | 0.62 | 12 |
| YOLOv8m-seg | 0.79 | 0.57 | 14 |
YOLOv8n INT8 працює в 3,5 раза швидше за RT-DETR-L за зіставної точності (0.73 vs 0.84, але на мобільному пристрої швидкість важливіша).
Розгортання в 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:
| Платформа | Модель | Затримка (ms) | Пам'ять (MB) |
|---|---|---|---|
| Snapdragon 8 Gen 2 | YOLOv8n INT8 | 45–70 | 4.2 |
| Jetson Orin NX | YOLOv8m FP16 | 12–18 | 28 |
Дані: розмітка та розширення датасету
Публічних розмічених датасетів із хвороб рослин достатньо для старту (PlantVillage — 87 000 зображень, 38 класів хвороб). Однак для конкретних культур і регіонів потрібне донавчання на власних даних — хвороби виглядають по-різному в різних кліматичних зонах і на різних сортах.
Які дані потрібні для навчання моделі?
Прискорюємо розмітку через active learning: модель після первинного навчання обирає найбільш «невпевнені» приклади (entropy sampling), агроном розмічає лише їх. На практиці це скорочує обсяг ручної розмітки на 40–60%.
Як відбувається розробка: покроковий план
- Аудит даних і визначення переліку хвороб
- Збір і розмітка польових даних (за потреби)
- Розробка та навчання моделей (transfer learning)
- Валідація в польових умовах, ітерації
- Деплой у мобільний застосунок або на edge-пристрій
- Моніторинг дрейфу, підтримка та перенавчання
- Документація щодо API та експлуатації
- Навчання агрономів роботі із 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.
Типові помилки під час розмітки
- Неоднозначні межі уражень
- Розмітка на різних стадіях вегетації
- Неправильна ідентифікація схожих хвороб
Терміни
Система детекції для однієї культури та 5–8 хвороб: 6–10 тижнів за наявності розмічених даних. Мультикультурна платформа з мобільним застосунком і серверним компонентом: 3–4 місяці. Вартість розраховується індивідуально.
Наша компанія 5 років на ринку, виконала 15+ проєктів із машинного зору в агросекторі.
