Промисловий сільськогосподарський виробник у Румунії стикається з критичним операційним завданням: виявленням хвороб, шкідників та дефіциту поживних речовин у кількох культурах на ранній стадії, перш ніж вони суттєво вплинуть на виробництво. Традиційний процес передбачає ручний візуальний огляд посівів агрономами — повільний, дорогий та залежний від наявності польових експертів. У контексті промислового виробництва, з великими площами та стислими термінами фітосанітарних втручань, допустима помилка була мінімальною.
Головним технічним завданням було створення системи, здатної аналізувати зображення, зняті за різних умов — природного освітлення, різних ракурсів, змінної якості камери — та ставити точний діагноз у режимі реального часу, безпосередньо з місця подій, без зв'язку з експертом-людиною.
Nenos розробила платформу діагностики хвороб сільськогосподарських культур, представлену як готовий до використання API та інтегровану в додаток, доступний як на мобільних пристроях, так і в Інтернеті. Фермер або агроном фотографує уражену рослину, і система повертає повний діагноз — виявлену хворобу, шкідника або дефіцит поживних речовин, оцінену тяжкість захворювання та рекомендовані рішення — менш ніж за 30 секунд.
Основою платформи є алгоритм глибокого навчання, розроблений на Python, навчений розпізнавати 68 типів хвороб та пошкоджень на багатьох культурах. Модель аналізує зображення та визначає візуальні закономірності, характерні для кожної хвороби — зміну кольору, ураження, аномальні текстури, ознаки зараження — незалежно від виду рослини чи умов стрілянини. Окрім діагностики, система пропонує оперативні рекомендації на основі аналізу зображень: оптимальний час для гербіциду, обробки або збору врожаю.
Рішення було розгорнуто як API на Amazon SageMaker, що забезпечило автоматичну масштабованість та високу доступність для одночасного використання кількома операторами в польових умовах.
Впровадження платформи змінило спосіб управління здоров'ям сільськогосподарських культур виробником:
- Точність понад 94% у виявленні хвороб, шкідників та дефіциту поживних речовин у багатьох культурах.
- Повний діагноз було поставлено менш ніж за 30 секунд після фотографування рослини.
- 68 видів хвороб, шкідників та дефіциту поживних речовин, що охоплюються в одній системі.
- Усунення залежності від фізичної експертизи людини в цій галузі для початкової діагностики.
- Скорочення часу реакції на появу захворювань, що безпосередньо впливає на якість та обсяг виробництва.
Платформа побудована на Python зі стеком машинного навчання, спеціалізованим на комп'ютерному зорі: TensorFlow та Keras для визначення та навчання згорткових нейронних мереж, OpenCV для попередньої обробки зображень — нормалізації, зміни розміру, корекції контрастності та видалення артефактів фотографії — та Scikit-learn для компонентів класифікації та оцінки продуктивності моделі.
Модель виявлення являє собою згорткову нейронну мережу (ЗНМ), навчену на репрезентативному наборі даних зображень уражених сільськогосподарських культур, що охоплює 68 класів хвороб та пошкоджень у кількох видів. Навчання включало ретельне доповнення даних — обертання, перевертання, зміну яскравості, моделювання розмиття — для забезпечення надійності в реальних умовах польової фотографії, де якість зображення значно варіюється. Остаточна точність моделі перевищує 94%, що було отримано завдяки ітеративному процесу навчання, валідації та перенавчання на великих наборах даних.
Рішення представлено як REST API, розгорнутий на Amazon SageMaker, який керує автоматичним масштабуванням висновків залежно від обсягу запитів. Клієнтський застосунок, доступний як на мобільних пристроях, так і в веб-версії, надсилає зображення до API та відображає діагноз і рекомендації менш ніж за 30 секунд, що дозволяє використовувати їх безпосередньо в польових умовах без технічних знань.
