Průmyslový zemědělský producent v Rumunsku čelí kritické provozní výzvě: odhalení chorob, škůdců a nedostatku živin u více plodin v rané fázi, než významně ovlivní produkci. Tradiční proces zahrnuje ruční vizuální kontrolu plodin agronomy – pomalý, drahý a závislý na dostupnosti terénních odborníků. V kontextu průmyslové výroby s velkými plochami a krátkými lhůtami pro fytosanitární zásahy byla míra chyb minimální.
Hlavní technickou výzvou bylo vytvoření systému schopného analyzovat snímky pořízené za různých podmínek – přirozené světlo, různé úhly, proměnná kvalita fotoaparátu – a poskytovat přesnou diagnózu v reálném čase, přímo z terénu, bez nutnosti napojení na lidského odborníka.
Nenos vyvinula platformu pro diagnostiku chorob plodin, která je prezentována jako API připravené k použití a integrována do aplikace dostupné na mobilních zařízeních i webu. Zemědělec nebo agronom pořídí fotografii postižené rostliny a systém vrátí kompletní diagnózu – identifikovanou chorobu, škůdce nebo nedostatek živin, odhadovanou závažnost a doporučená řešení – za méně než 30 sekund.
Jádrem platformy je algoritmus hlubokého učení vyvinutý v Pythonu, který je natrénován k rozpoznávání 68 typů chorob a poškození na více plodinách. Model analyzuje obraz a identifikuje vizuální vzory specifické pro každou chorobu – změnu barvy, léze, abnormální textury, známky napadení – bez ohledu na druh rostliny nebo podmínky střelby. Kromě diagnózy systém nabízí na základě analýzy obrazu operační doporučení: optimální čas na herbicid, ošetření nebo sklizeň.
Řešení bylo nasazeno jako API na Amazon SageMaker, což zajistilo automatickou škálovatelnost a vysokou dostupnost pro simultánní použití v terénu více operátory.
Implementace platformy změnila způsob, jakým producenti řídí zdraví plodin:
- Přesnost přes 94 % při identifikaci chorob, škůdců a nedostatku živin u více plodin.
- Kompletní diagnóza byla vrácena za méně než 30 sekund po vyfotografování rostliny.
- 68 druhů chorob, škůdců a nedostatků živin v jednom systému.
- Eliminace závislosti na fyzické lidské odbornosti v terénu pro počáteční diagnózu.
- Zkrácení reakční doby na výskyt nemocí s přímým dopadem na kvalitu a objem produkce.
Platforma je postavena v Pythonu se stackem strojového učení specializovaným na počítačové vidění: TensorFlow a Keras pro definování a trénování konvolučních neuronových sítí, OpenCV pro předzpracování obrazu – normalizaci, změnu velikosti, korekci kontrastu a odstranění fotografických artefaktů – a Scikit-learn pro klasifikaci a vyhodnocování výkonu modelu.
Detekční model je konvoluční neuronová síť (CNN) trénovaná na reprezentativním souboru dat obrázků postižených plodin, který pokrývá 68 tříd chorob a poškození u různých druhů. Trénink zahrnoval rozsáhlé rozšiřování dat – rotace, převrácení, změny jasu, simulaci rozmazání – aby byla zajištěna robustnost v reálných podmínkách polní fotografie, kde se kvalita obrazu výrazně liší. Konečná přesnost modelu přesahuje 94 %, což bylo dosaženo iterativním procesem trénování, validace a přetrénování na rozsáhlých souborech dat.
Řešení je prezentováno jako REST API nasazené na platformě Amazon SageMaker, které spravuje automatické škálování inference na základě objemu požadavků. Klientská aplikace – dostupná na mobilních zařízeních i webu – odešle obrázek do API a zobrazí diagnózu a doporučení za méně než 30 sekund, což je možné použít přímo z terénu bez technických znalostí.
