Разработка AI-системы детекции вредителей в агрокультурах

К нам обращаются владельцы агрохолдингов с проблемой: колорадский жук откладывает яйца на нижней поверхности листа — туда, где дрон смотрит крайне редко. Трипсы видны только при 10-кратном увеличении. Паутинный клещ оставляет следы, которые агроном путает с солнечным ожогом. Детекция вредителей — технически одна из самых сложных задач агро-CV: объекты мелкие, маскирующиеся, часто закрыты листвой. Мы специализируемся на разработке AI-систем, которые решают эти проблемы, и готовы оценить ваш проект.

Почему стандартные CV-подходы здесь не работают

Проблема масштаба объектов

Тля на листе размером 1–2 мм. На снимке с дрона, летящего на высоте 10 метров с GSD 2 мм/пикс, тля занимает буквально 1 пиксель. Это не детектируется никаким YOLO.

Практический вывод: для мелких вредителей нужна близкая съёмка — автоматизированные системы с камерами на уровне растения (роботизированные платформы, конвейерные системы), ловушки с камерами (sticky trap monitoring), или макроснимки с телефона в приложении.

Для крупных вредителей (саранча, колорадский жук, гусеницы) — дроны с GSD < 0.5 мм/пикс (высота полёта 3–5 м).

Детектор для мелких объектов

YOLOv8 и большинство стандартных детекторов плохо работают с объектами < 32×32 пикселя. Используем несколько подходов в зависимости от задачи:

Tile-based inference — изображение нарезается на патчи 640×640 с перекрытием 20%, каждый патч обрабатывается отдельно. SAHI (Sliced Aided Hyper Inference) реализует это поверх любой YOLO-модели без изменения весов.

Специализированные архитектуры для мелких объектов — RFLA (Receptive Field Loss for Small Object Detection), QueryDet, либо кастомные FPN с дополнительным высокоразрешающим выходом P2.

На задаче подсчёта белокрылки на ловчих листах (жёлтые клеевые ловушки): YOLOv8n с SAHI при tile_size=640 дал mAP50 = 0.79, тогда как стандартный инференс на полном изображении 4000×3000 — лишь 0.52.

Подсчёт вредителей — отдельная задача

Детекция «есть / нет» недостаточна для принятия решений об обработке. Нужен количественный подсчёт на единицу площади. Для плотных колоний (тля, трипсы) bbox-детекция переходит в density estimation — CSRNet или DM-Count вместо YOLO, предсказывают density map и суммируют предсказанное количество особей.

Что входит в работу?

Каждый проект включает:

• Прототип модели детекции/подсчёта.
• Обучение и валидацию на ваших данных.
• Интеграцию с вашей инфраструктурой через API.
• Руководство пользователя и документацию.
• Два месяца бесплатной поддержки после внедрения.

Мы имеем опыт 5 лет на рынке агроAI и более 15 выполненных проектов. Гарантируем точность подсчёта ±15% для ловушечного мониторинга при выполнении условий съёмки.

Как улучшить точность на мелких объектах?

Ловушечный мониторинг с автоматическим распознаванием

Один из рабочих и экономически оправданных форматов: умные феромонные ловушки с камерой (например, Delta Trap + Raspberry Pi Camera v3 или готовые устройства типа Trapview). Камера делает снимок раз в 2–4 часа, модель считает количество насекомых на клейкой поверхности, данные уходят в облако.

Для такой системы достаточно MobileNetV3-Small или EfficientNet-Lite0 с INT8 квантизацией — работает на Raspberry Pi Zero 2W при потреблении < 2W. Точность подсчёта ±15% при плотности до 200 особей на ловушку.

Процесс разработки

Сбор данных. Основная сложность — разнообразие условий освещения (утро/полдень/пасмурно) и стадий развития вредителей (яйца, личинки, имаго выглядят по-разному). Требуется минимум 300–500 аннотированных экземпляров каждого вредителя в каждой стадии.

Разметка. Для ловушек — bbox + подсчёт. Для полевых снимков — polygon segmentation для точного разграничения от фона. Используем Label Studio с кастомным шаблоном для инсект-детекции.

Обучение. Transfer learning от COCO weights (насекомые там представлены слабо, но низкоуровневые признаки переносятся). Focal loss с gamma=1.5 для компенсации дисбаланса фон/объект.

Мониторинг в продакшене. Автоматическое уведомление при превышении порога численности (экономический порог вредоносности — разный для каждой культуры и вредителя, задаётся агрономом). Интеграция с системами точного земледелия.

Сроки

Система для 1–3 видов вредителей на ловушках: 4–6 недель. Полевая многовидовая платформа с мобильным приложением и API: 2–4 месяца. Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки вашего проекта — получите консультацию бесплатно.