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.