Un producator agricol industrial din Romania se confrunta cu o provocare operationala critica: detectarea bolilor, daunatorilor si deficitelor de nutrienti la culturi multiple intr-un stadiu incipient, inainte ca acestea sa afecteze semnificativ productia. Procesul traditional implica inspectia vizuala manuala a culturilor de catre agronomi — lenta, costisitoare si dependenta de disponibilitatea expertilor in teren. Intr-un context de productie industriala, cu suprafete mari si termene stranse pentru interventii fitosanitare, marja de eroare era minima.
Provocarea tehnica principala era construirea unui sistem capabil sa analizeze imagini fotografiate in conditii variate — lumina naturala, unghiuri diferite, calitate variabila a camerei — si sa produca un diagnostic precis in timp real, direct din teren, fara conexiune la un expert uman.
Nenos a dezvoltat o platforma de diagnosticare a bolilor la culturi agricole, expusa ca API ready-to-use si integrata intr-o aplicatie disponibila atat pe mobil cat si pe web. Fermierul sau agronomul fotografiaza planta afectata, iar sistemul returneaza diagnosticul complet — boala, daunator sau deficit de nutrienti identificat, severitate estimata si solutii recomandate — in mai putin de 30 de secunde.
Nucleul platformei este un algoritm de deep learning dezvoltat in Python, antrenat sa recunoasca 68 de tipuri de boli si daune pe culturi multiple. Modelul analizeaza imaginea si identifica patternurile vizuale specifice fiecarei afectiuni — decolorari, leziuni, texturi anormale, semne de infestare — indiferent de specia de planta sau conditiile de fotografiere. Pe langa diagnostic, sistemul ofera recomandari operationale bazate pe analiza imaginii: momentul optim pentru erbicidat, tratat sau recoltat.
Solutia a fost deployata ca API pe Amazon SageMaker, asigurand scalabilitate automata si disponibilitate ridicata pentru utilizare simultana din teren de catre mai multi operatori.
Implementarea platformei a transformat modul in care producatorul gestioneaza sanatatea culturilor:
- Acuratete de peste 94% in identificarea bolilor, daunatorilor si deficitelor de nutrienti pe culturi multiple.
- Diagnostic complet returnat in mai putin de 30 de secunde de la fotografierea plantei.
- 68 de tipuri de boli, daunatori si deficite de nutrienti acoperite intr-un singur sistem.
- Eliminarea dependentei de expertiza umana fizica in teren pentru diagnosticarea initiala.
- Reducerea timpului de reactie la aparitia bolilor, cu impact direct asupra calitatii si volumului productiei.
Platforma este construita in Python cu un stack de machine learning specializat pe computer vision: TensorFlow si Keras pentru definirea si antrenarea retelelor neuronale convolutionale, OpenCV pentru preprocesarea imaginilor — normalizare, redimensionare, corectie de contrast si eliminarea artefactelor de fotografiere — si Scikit-learn pentru componente de clasificare si evaluare a performantei modelului.
Modelul de detectie este o retea neuronala convolutionala (CNN) antrenata pe un dataset reprezentativ de imagini de culturi afectate, acoperind 68 de clase de boli si daune pe specii multiple. Antrenarea a inclus augmentare extensiva a datelor — rotatii, flip-uri, variatie de luminozitate, simulare de blur — pentru a asigura robustete in conditii reale de fotografiere din teren, unde calitatea imaginii variaza semnificativ. Acuratetea finala a modelului depaseste 94%, obtinuta printr-un proces iterativ de antrenare, validare si reantrenare pe seturi de date extinse.
Solutia este expusa ca REST API deployat pe Amazon SageMaker, care gestioneaza scalarea automata a inferentei in functie de volumul de cereri. Aplicatia client — disponibila atat pe mobil cat si pe web — trimite imaginea catre API si afiseaza diagnosticul si recomandarile in mai putin de 30 de secunde, utilizabila direct din teren fara cunostinte tehnice.
