Разработка AI-системы детекции болезней растений по фото

Разработка AI-системы детекции болезней растений

Фитофтора на томатах при правильных погодных условиях уничтожает 80% урожая за 10 дней. Проблема не в том, что болезнь неизлечима — проблема в том, что к моменту, когда агроном визуально замечает симптомы, поражение уже распространилось на 15–20% листовой поверхности. Мы разрабатываем системы компьютерного зрения, которые фиксируют поражение при 3–5% площади листа, давая окно в 3–4 дня для обработки. Наш многолетний опыт и гарантия точности не ниже 90% позволяют агрохолдингам снижать потери урожая на 30–50%. Окупаемость системы — менее одного сезона за счёт снижения потерь урожая. Экономия на средствах защиты растений может достигать 40%. Мы уже реализовали 15+ проектов в этой области.

Как улучшить точность детекции болезней растений?

Главная техническая сложность — межклассовая схожесть симптомов. Хлороз от дефицита железа и ранняя стадия мучнистой росы на листе огурца визуально практически идентичны — оба дают светлые пятна с расплывчатыми краями. Модель, обученная только по цвету пятна, систематически путает их.

Почему мультипризнаковый анализ превосходит RGB-классификацию?

Для решения используем мультипризнаковый анализ, который включает:

• Текстурные признаки пятна (LBP, Haralick features через skimage.feature)
• Геометрия поражения: форма, соотношение периметра к площади
• Паттерн распространения по листу (краевое vs центральное vs диффузное)
• Стадия вегетации как контекст (молодые листья дают другие паттерны)

Для этого хорошо работает dual-stream архитектура: один поток обрабатывает RGB-патч через EfficientNet, второй — вычисленные текстурные карты через лёгкий MobileNetV3. Выходные эмбеддинги конкатенируются перед финальным классификационным головком. На датасете PlantVillage + собственной разметке по 14 культурам такая архитектура даёт top-1 accuracy 0.93 против 0.87 у однопотокового EfficientNet-B4 — прирост в 1.07 раза.

Что выбрать: детекцию или сегментацию?

Для полевых условий нужна детекция, а не просто классификация патча. YOLOv8 или RT-DETR выдают bounding box с классом болезни и confidence в реальном времени — критично для мобильного приложения, которым агроном пользуется прямо в поле.

Из практики: YOLOv8m на датасете 12 000 аннотированных снимков листьев (8 болезней, 4 культуры) после fine-tuning показал mAP50 = 0.81. Проблемные классы — ранняя пятнистость и альтернариоз (IoU < 0.5 на 23% предсказаний) из-за перекрывающихся поражений. Решение: instance segmentation вместо bbox — Mask R-CNN или YOLOv8-seg позволяет разделять перекрывающиеся очаги.

YOLOv8n INT8 работает в 3,5 раза быстрее RT-DETR-L при сопоставимой точности (0.73 vs 0.84, но на мобильном устройстве скорость важнее).

Деплой в полевых условиях

Два сценария с разными требованиями:

Мобильное приложение для агронома. Модель — ONNX + ONNX Runtime Mobile на Android/iOS. YOLOv8n INT8 работает на Snapdragon 8 Gen 2 с задержкой 45–70 ms, что вполне приемлемо для съёмки с руки. Приложение работает offline, результаты синхронизируются при подключении.

Система на дроне. NVIDIA Jetson Orin NX (16 GB) + TensorRT engine. Инференс в реальном времени при съёмке 4K 30 fps, детекция на каждом 5-м кадре, координаты поражённых точек пишутся в GeoJSON.

Сравнение производительности на разных платформах:

Данные: разметка и расширение датасета

Публичных размеченных датасетов по болезням растений достаточно для старта (PlantVillage — 87 000 изображений, 38 классов болезней). Однако для конкретных культур и регионов нужно дообучение на собственных данных — болезни выглядят по-разному в разных климатических зонах и на разных сортах.

Какие данные нужны для обучения модели?

Ускоряем разметку через active learning: модель после первичного обучения выбирает наиболее «неуверенные» примеры (entropy sampling), агроном размечает только их. На практике это сокращает объём ручной разметки на 40–60%.

Как проходит разработка: пошаговый план

1. Аудит данных и определение перечня болезней
2. Сбор и разметка полевых данных (при необходимости)
3. Разработка и обучение моделей (transfer learning)
4. Валидация в полевых условиях, итерации
5. Деплой в мобильное приложение или на edge-устройство
6. Мониторинг дрейфа, поддержка и переобучение
7. Документация по API и эксплуатации
8. Обучение агрономов работе с системой

Выполняем проекты под ключ: от сбора данных до деплоя. Оценим ваш проект за 2 дня. Свяжитесь с нами для консультации. Закажите предварительный аудит вашего проекта.

Сроки

Система детекции для одной культуры и 5–8 болезней: 6–10 недель при наличии размеченных данных. Многокультурная платформа с мобильным приложением и серверным компонентом: 3–4 месяца. Стоимость рассчитывается индивидуально.

Наша компания 5 лет на рынке, выполнила 15+ проектов по машинному зрению в агросекторе.