Przemysłowy producent rolny w Rumunii stoi przed krytycznym wyzwaniem operacyjnym: wczesnym wykrywaniem chorób, szkodników i niedoborów składników odżywczych w wielu uprawach, zanim wpłyną one znacząco na produkcję. Tradycyjny proces obejmuje ręczną wizualną inspekcję upraw przez agronomów – powolną, kosztowną i zależną od dostępności ekspertów terenowych. W kontekście produkcji przemysłowej, z dużymi areałami i krótkimi terminami interwencji fitosanitarnych, margines błędu był minimalny.
Głównym wyzwaniem technicznym było zbudowanie systemu, który byłby w stanie analizować obrazy wykonane w różnych warunkach — przy świetle naturalnym, pod różnymi kątami, przy zmiennej jakości obrazu — i stawiać trafne diagnozy w czasie rzeczywistym, bezpośrednio w terenie, bez konieczności kontaktu z ekspertem.
Nenos opracował platformę diagnostyczną chorób upraw, dostępną jako gotowy do użycia interfejs API i zintegrowaną z aplikacją dostępną zarówno na urządzeniach mobilnych, jak i w internecie. Rolnik lub agronom robi zdjęcie zaatakowanej rośliny, a system w mniej niż 30 sekund zwraca pełną diagnozę – rozpoznanie choroby, szkodnika lub niedoboru składników odżywczych, szacowany stopień nasilenia i zalecane rozwiązania.
Sercem platformy jest algorytm głębokiego uczenia opracowany w Pythonie, wytrenowany do rozpoznawania 68 rodzajów chorób i uszkodzeń na wielu uprawach. Model analizuje obraz i identyfikuje wzorce wizualne charakterystyczne dla każdej choroby – przebarwienia, zmiany chorobowe, nieprawidłową teksturę, oznaki porażenia – niezależnie od gatunku rośliny czy warunków fotografowania. Oprócz diagnozy, system oferuje zalecenia operacyjne oparte na analizie obrazu: optymalny czas na zastosowanie herbicydu, zabieg lub zbiór.
Rozwiązanie wdrożono w formie interfejsu API w Amazon SageMaker, co gwarantuje automatyczną skalowalność i wysoką dostępność w przypadku jednoczesnego korzystania z niego w terenie przez wielu operatorów.
Wdrożenie platformy zmieniło sposób, w jaki producenci zarządzają zdrowiem upraw:
- Ponad 94% dokładności w identyfikowaniu chorób, szkodników i niedoborów składników odżywczych w wielu uprawach.
- Pełna diagnoza pojawiła się w czasie krótszym niż 30 sekund po wykonaniu zdjęć rośliny.
- 68 rodzajów chorób, szkodników i niedoborów składników odżywczych objętych jednym systemem.
- Eliminacja zależności od fizycznej wiedzy człowieka w terenie w celu postawienia wstępnej diagnozy.
- Skrócenie czasu reakcji na pojawienie się chorób, co ma bezpośredni wpływ na jakość i wielkość produkcji.
Platforma została napisana w języku Python przy użyciu zestawu narzędzi uczenia maszynowego specjalizującego się w przetwarzaniu obrazu: TensorFlow i Keras do definiowania i trenowania sieci neuronowych splotowych, OpenCV do wstępnego przetwarzania obrazu — normalizacji, zmiany rozmiaru, korekcji kontrastu i usuwania artefaktów fotograficznych — oraz Scikit-learn do komponentów klasyfikacji i oceny wydajności modelu.
Model detekcji to splotowa sieć neuronowa (CNN) trenowana na reprezentatywnym zbiorze danych obrazów dotkniętych upraw, obejmującym 68 klas chorób i uszkodzeń u wielu gatunków. Trening obejmował rozległą agregację danych – obroty, odbicia, zmiany jasności, symulację rozmycia – w celu zapewnienia odporności na rzeczywiste warunki fotografowania w terenie, gdzie jakość obrazu znacznie się różni. Ostateczna dokładność modelu przekracza 94%, uzyskana poprzez iteracyjny proces trenowania, walidacji i ponownego trenowania na rozległych zbiorach danych.
Rozwiązanie jest dostępne jako interfejs API REST wdrożony w Amazon SageMaker, który zarządza automatycznym skalowaniem wnioskowania w oparciu o liczbę żądań. Aplikacja kliencka – dostępna zarówno na urządzeniach mobilnych, jak i w przeglądarce – wysyła obraz do interfejsu API i wyświetla diagnozę oraz zalecenia w mniej niż 30 sekund, umożliwiając obsługę bezpośrednio w terenie bez konieczności posiadania wiedzy technicznej.
