Система анализа состояния посевов на основе ИИ
Беспилотник прошёл над полем, камера сняла 4 000 снимков, агроном три часа смотрел в монитор и так и не понял, откуда взялись светло-жёлтые пятна на северном участке. Это не проблема внимания — это проблема масштаба. Человеческий глаз физически не в состоянии обработать тысячи гектаров с нужной периодичностью.
Системы компьютерного зрения для анализа посевов решают именно эту задачу: автоматическое выявление аномалий вегетации, классификация стрессовых факторов, прогноз урожайности — по данным с дронов, спутников и наземных камер.
Что реально сложно в анализе посевов
Спектральные данные против RGB: разница принципиальная
Большинство систем, которые нам приносят на доработку, обучены исключительно на RGB-снимках. Это работает для грубой сегментации «поле / не поле», но не даёт надёжной классификации стрессового состояния.
Ключевой индикатор — NDVI (Normalized Difference Vegetation Index): (NIR - RED) / (NIR + RED). Для его расчёта нужна мультиспектральная камера с каналами Red Edge и NIR. На практике используем Micasense RedEdge-MX или Sentera 6X, интегрированные с DJI Matrice 300.
Дополнительно применяем:
- NDRE (Red Edge NDVI) — точнее для плотного зелёного покрова, где NDVI «насыщается»
- SAVI — NDVI с поправкой на почву, критичен для ранних стадий вегетации при LAI < 3
- CWSI (Crop Water Stress Index) — по тепловым снимкам (FLIR Tau 2 640), выявляет дефицит влаги до видимых симптомов
Один из показательных кейсов: клиент с 1 200 га пшеницы хотел выявлять азотное голодание. На чистом RGB модель давала precision 0.61 — слишком много ложных срабатываний на тень от облаков. Добавление NDRE-канала подняло precision до 0.87 при recall 0.83.
Architecture модели: сегментация vs классификация
Для попиксельной карты состояния посевов используем семантическую сегментацию. Стек — PyTorch + segmentation_models_pytorch, backbone SegFormer-B3 или DeepLabV3+ с ResNet-50. SegFormer при схожей точности требует вдвое меньше памяти при инференсе — важно при деплое на edge-устройство в дроне.
| Architecture | mIoU (валидация) | Размер модели | Время инференса (GPU T4) |
|---|---|---|---|
| UNet + ResNet-34 | 0.74 | 84 MB | 38 ms |
| DeepLabV3+ ResNet-50 | 0.78 | 142 MB | 51 ms |
| SegFormer-B3 | 0.81 | 47 MB | 28 ms |
| SegFormer-B5 | 0.84 | 82 MB | 44 ms |
Для задач классификации «стресс-фактор по полю» (засуха / болезнь / дефицит N/P/K / сорняк) применяем EfficientNet-B4 с multi-label head — один снимок патча может одновременно содержать несколько проблем.
Проблема датасетов
Публичные датасеты (PlantVillage, CGIAR) хороши для старта, но имеют серьёзное смещение: большинство снимков — лабораторные условия, яркое равномерное освещение. В поле модель начинает «плыть» из-за переменной облачности, разных высот съёмки и фенологических стадий.
Стандартный путь обхода: domain adaptation через Mean Teacher или AdaIN для стилизации полевых снимков под разные условия освещения. Плюс жёсткая аугментация — случайные тени (Albumentations RandomShadow), симуляция дымки (RandomFog), случайный поворот на 360° (для аэроснимков это вполне реально).
Как строим систему
Этап 1. Сбор и разметка данных. Формируем полётные миссии в Mission Planner или DJI Terra с перекрытием 75-80%. Разметка через Label Studio с кастомным интерфейсом для полигональной аннотации. Объём для первичного обучения — минимум 500 размеченных патчей на класс.
Этап 2. Препроцессинг мультиспектральных данных. Ортомозаика через OpenDroneMap или Pix4Dmapper. Радиометрическая калибровка по эталонным панелям, атмосферная коррекция (DOS или QUAC для быстрых вычислений). Вычисление индексов в GDAL/rasterio.
Этап 3. Training и валидация. Fine-tuning на предобученных весах ImageNet. Стратифицированный k-fold по полям (не по патчам!) — иначе spatial autocorrelation завышает метрики. Логирование через Weights & Biases.
Этап 4. Deployment и интеграция. Экспорт в ONNX, оптимизация через TensorRT для серверного инференса. Для offline-режима на дроне — TensorFlow Lite с INT8 квантизацией. Результаты — GeoTIFF с классификационной картой, интеграция в QGIS или ArcGIS через WMS/WFS.
Что получаете на выходе
- Карты NDVI/NDRE с историей изменений за сезон
- Классификационная карта стресс-факторов с confidence score
- Автоматические алерты при падении NDVI ниже порогового значения по зонам
- Зонирование для дифференцированного внесения удобрений (VRA-карты)
Сроки
Базовая система мониторинга на существующих данных с дрона: 4–8 недель. Полноценная платформа с мультисезонной аналитикой и интеграцией в агро-ERP: 3–5 месяцев. Стоимость зависит от объёма разметки, количества культур в модели и инфраструктурных требований.