Система обнаружения вредителей на основе ИИ
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.
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.
| Подход | mAP50 (мелкие объекты) | Скорость инференса |
|---|---|---|
| YOLOv8n standard | 0.52 | 15 ms |
| YOLOv8n + SAHI | 0.79 | 180 ms |
| YOLOv8m + SAHI | 0.84 | 310 ms |
| QueryDet | 0.81 | 95 ms |
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.
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.