AI-аналіз ґрунту: комп'ютерний зір та мультиспектральні знімки

При типовому лабораторному аналізі ґрунту агрохімічна карта поля в 500 га обходиться в 50–80 тисяч рублів і актуальна 3–5 років. Ми пропонуємо альтернативу — розробку AI-системи, яка будує безперервні ґрунтові карти без суцільного опробування. Класична сітка з кроком 100 метрів пропускає осередки засолення або локального нестачі гумусу — перевитрата добрив на таких ділянках сягає 15%.

Ґрунтова неоднорідність на реальних полях проявляється в масштабі до 10–50 метрів. Стандартна сітка відбору проб (1 проба/га) її не ловить. AI-системи на основі дистанційного зондування та сенсорів вирішують це завдання, забезпечуючи економію бюджету в 3 рази (до 70%) та зниження витрат на відбір проб.

Чому класичний аналіз не справляється з неоднорідністю поля?

Точкові лабораторні проби дають локальну інформацію, а для точного землеробства потрібна безперервна карта. Сітка з кроком 100 метрів пропускає осередки засолення або локального нестачі гумусу. Супутникові знімки та ЕМ-зондування заповнюють прогалини. У результаті наші моделі в 1.3 рази точніші за стандартні інтерполяційні методи (звичайний кригінг).

Як ми об'єднуємо розрізнені дані?

Сучасна ґрунтова аналітика працює з гетерогенними даними. Головна технічна складність — сумістити дані з різними просторовими роздільностями та часовими мітками.

Пайплайн об'єднання:

1. Перепроекція всіх шарів в єдину CRS (зазвичай UTM) через GDAL
2. Інтерполяція ЕМ-даних методом ordinary kriging (pykrige)
3. Витяг піксельних значень всіх шарів за координатами лабораторних проб
4. Формування feature matrix: спектральні індекси + EC + рельєф (DEM-похідні) + історичні NDVI

Ми застосовуємо комп'ютерний зір (CV) для аналізу знімків та класифікації ґрунту.

Як AI визначає тип ґрунту за фото? Ми використовуємо згорткову нейромережу EfficientNet-B2, навчену на тисячах зразків ґрунту. Модель аналізує колір і текстуру, класифікуючи за 6 типами: чорнозем, суглинок, піщаний тощо. Точність досягає 88%. Додатково оцінюємо вміст органіки за шкалою Munsell.

Для моніторингу ерозії ми постачаємо модель семантичної сегментації для дронових знімків з роздільною здатністю до 5 см/піксель. Система виділяє ділянки водної та вітрової ерозії, обчислює площу ураження та ступінь тяжкості.

Для оцінки вологості ґрунту використовуємо мультиспектральні індекси NDMI та NDWI на основі знімків Sentinel-2 або дронів. Кореляція з польовими вологомірами — r=0.81.

Які моделі показують найкращі результати?

На типовому датасеті 150–500 лабораторних проб порівнюємо декілька алгоритмів. CatBoost дає R² = 0.82, але Gaussian Process є кращим, якщо потрібна оцінка невизначеності. За даними спектроскопії ґрунту, гіперспектральні методи досягають R² = 0.85.

Для просторового прогнозування застосовуємо geospatial cross-validation (блочна CV) — інакше просторова автокореляція завищує R² на 0.10–0.15.

Ми маємо 5 років досвіду в AI-аналізі ґрунтів, реалізували понад 20 проєктів для господарств від 500 до 10 000 га.

Типові помилки при побудові AI-ґрунтових карт

1. Використання лише супутникових знімків без наземних проб — просторова автокореляція не враховується, R² завищений.
2. Пропуск етапу геопросторової крос-валідації — помилка оцінки RMSE в 2 рази нижча за реальну.
3. Ігнорування часової динаміки (NDVI за один сезон) — знижує точність на 10–15%.
4. Застосування єдиної моделі для різних типів ґрунтів — локальний кригінг по агроландшафтних зонах дає приріст R² на 0.05–0.08.

Що входить у роботу

• Аудит наявних даних (лабораторні проби, знімки, сенсори)
• Проектування пайплайну збору та передобробки даних
• Розробка моделі прогнозування для 1–3 ґрунтових властивостей
• Побудова безперервних карт з оцінкою невизначеності
• Інтеграція з системами точного землеробства (John Deere, Trimble)
• Документація та навчання агрономів роботі з картами
• Технічна підтримка 3 місяці після впровадження

Терміни та вартість

Терміни впровадження: базовий класифікатор за фото — 4-6 тижнів, система дронового моніторингу ерозії — 8-12 тижнів, інтегрована платформа — 14-22 тижні.

Базова система прогнозування однієї властивості коштує від 250 000 грн. Повна платформа з ф'южном джерел, моніторингом сенсорів та інтеграцією з агро-ERP — від 1 500 000 грн. Оцінимо ваш проєкт безкоштовно — зв'яжіться з нами для консультації. Замовте пілотний проєкт на одному полі — отримайте повну карту та оцінку економічного ефекту.

Гарантуємо точність не нижче 85% на валідаційній вибірці. Кожна модель проходить тестування на незалежних даних. При необхідності донавчаємо її під ваші зразки. У вартість входить три місяці підтримки та коригування.

Наш досвід — проєкти для господарств від 500 до 10 000 га. Використовуємо ліцензійне ПЗ та сертифіковані бібліотеки обробки даних. Отримайте консультацію — розрахуємо економію для вашого господарства.

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.