Распознавание сорняков и болезней растений с помощью ИИ

Эффективность защиты растений зависит от выбора препарата, своевременности обработки и качества исходных данных. На больших площадях агрономическая служба не всегда может регулярно обследовать каждое поле по стандартизированной методике. В результате решения нередко принимаются по ограниченному числу точек, расположенных рядом с полевыми дорогами.

Такой осмотр не отражает неоднородность поля. Очаги засорённости, болезней и вредителей могут формироваться в центральной части массива или на труднодоступных участках. Если проблему обнаруживают после превышения экономического порога вредоносности, возможности защиты уже ограничены. По данным экспертов ГК «Геомир», пропущенная волна сорняков может привести к потерям 15–20% урожая, а запоздалая обработка против болезней — к потерям 30–40%.

ИИ-распознавание позволяет перевести результаты осмотра в сопоставимые количественные данные. Агроном получает информацию о составе сорняков, фазах их развития, степени засорённости и распределении проблемных зон. Эти данные используются при выборе средств защиты растений, планировании сроков обработки и подготовке карт дифференцированного внесения.

Почему выборочного осмотра недостаточно

Качественное обследование поля площадью 100 га на засорённость занимает в среднем 45–60 минут. С учётом перемещений один специалист может обследовать 500–800 га за рабочий день и 3 000–4 000 га за неделю. При нагрузке 15–20 тыс. га полный цикл осмотров занимает до пяти–семи недель. За этот период меняются фазы развития культуры и сорняков, поэтому часть собранной информации теряет актуальность.

Применение БПЛА сокращает время обследования и повышает его репрезентативность. Дрон может обследовать поле площадью 150–200 га за 20–30 минут. Съёмка охватывает весь контур, включая зоны, которые сложно проверить при наземном объезде.

Как работает распознавание через ИИ

Суть технологии заключается в том, чтобы научить компьютер «видеть» и анализировать признаки болезни или виды сорных растений на изображениях. Обычно этот процесс выстраивается в чёткую последовательность:

• Сбор данных. Снимки делают с помощью смартфона, цифровой камеры или БПЛА, оснащённого RGB-камерой, который пролетает над полем.
• Предварительная обработка. Изображение программно очищают от цифрового шума, корректируют яркость и контраст, а также убирают лишние детали фона, чтобы ничто не отвлекало алгоритм.
• Сегментация. Система выделяет на снимке отдельные объекты — например, только лист, контур конкретного растения или поражённый патогеном участок.
• Извлечение признаков и классификация. Нейросеть выделяет ключевые признаки: текстуру, цвет, форму пятен, геометрическое расположение прожилок. Опираясь на них, алгоритм принимает решение, какое именно растение перед камерой, оценивает фазу его развития и наличие заболевания.
• Выдача результата. ИИ формирует информацию в удобном виде — например, в виде карты поля с отметками проблемных зон, плотности сорняков и конкретными рекомендациями по гербицидам.

Какие технологии и подходы используют

Распознавание стало возможным благодаря внедрению передовых IT-решений. Для обеспечения высокой точности и скорости анализа применяются следующие подходы:

• Глубокое обучение (Deep Learning). Свёрточные нейронные сети (CNN) и сложные архитектуры, такие как ResNet, способны находить тончайшие визуальные паттерны, недоступные человеческому глазу.
• Аугментация данных. Чтобы нейросеть лучше справлялась с реальными полевыми условиями, базу данных искусственно расширяют: снимки поворачивают, добавляют тени или блики, чтобы модель «привыкла» к несовершенным фотографиям.
• Гиперспектральная съёмка. Специализированные камеры фиксируют отражение света в десятках узких диапазонов. Это позволяет заметить физиологические изменения в тканях растения задолго до появления видимых симптомов болезни.
• Edge AI (вычисления на периферии). Для работы прямо в поле без доступа к интернету модели оптимизируют и запускают на маломощных микроконтроллерах по технологии TinyML, что делает процесс энергоэффективным и независимым от качества связи.

Какие данные необходимы для управления засорённостью

Сам факт наличия сорняков недостаточен для выбора схемы защиты. Агроном должен учитывать видовой или групповой состав, численность и фазу развития сорных растений, фазу культуры, пространственное распределение засорённости и ограничения по применению препаратов.

В цифровую платформу АссистАгро изображения поступают из мобильного приложения или по результатам съёмки с БПЛА. Нейросетевые модели определяют фазу развития культуры, состав и возраст сорняков. Результаты сохраняются в карточке поля и используются для формирования карты засорённости.

При мобильном осмотре специалист фотографирует растения на смартфон. Приложение поддерживает работу без доступа к интернету, поэтому данные можно собирать непосредственно в поле и синхронизировать позднее. Осмотр с БПЛА применяют, когда требуется получить картину по всему массиву и выделить границы проблемных зон.

После обработки снимков агроном получает структурированную информацию по полю: расположение очагов, преобладающие группы сорняков и фазы их развития. По этим данным определяют приоритетные участки для наземной проверки и готовят план защитных мероприятий.

Ценность мониторинга определяется возможностью оценить пространственное распределение засорённости. Система отделяет проблемные зоны от участков, где обработка не требуется или может проводиться по другой норме.

С какими сложностями сталкиваются

Несмотря на активное внедрение ИИ, разработчики и агрономы всё ещё решают ряд технологических и практических проблем:

• Изменчивость полевых условий. Неравномерное освещение, разный фон почвы, роса или сильное перекрывание листьев друг другом могут сбить модель с толку и снизить точность распознавания.
• Сложность идентификации на ранних стадиях. Сорняки в фазе семядолей часто визуально крайне похожи на культурные растения, а симптомы болезней на начальном этапе слишком слабо выражены.
• Потребность в больших массивах данных. Для корректного обучения модели требуется колоссальная база разнообразных изображений с точно размеченными метками заболеваний или видов сорняков.
• Проблема интерпретируемости. Агроному важно не только получить сухой ответ системы, но и понимать, на каких именно признаках модель сделала вывод.

От распознавания к плану обработки

Результат распознавания используется рекомендательной системой АссистАгро. При подготовке плана обработки учитываются состав сорняков, их фазы развития, экономический порог вредоносности, применяемые в хозяйстве препараты и доступные технологии внесения.

Для каждой зоны можно определить состав баковой смеси, норму расхода и допустимый срок проведения работ. Если хозяйство применяет дифференцированное внесение, по карте засорённости формируется карта-задание для техники или агродрона. Норма и состав смеси изменяются в зависимости от состояния участка.

Повторный осмотр после обработки позволяет оценить фактическую эффективность: система фиксирует угнетённые сорняки и повреждения культурных растений, после чего показывает сохраняющиеся риски. Результаты защиты можно сравнивать по полям, препаратам и условиям применения, а не оценивать только визуально.

Болезни растений: прогноз риска и распознавание при осмотре

При работе с болезнями необходимо разделять прогнозирование и распознавание. Анализ погодных условий позволяет определить период повышенного риска до появления видимых симптомов. Распознавание по фотографии применяется во время полевого осмотра, когда признаки заболевания уже можно зафиксировать на растении.

Алгоритмы цифровой платформы АссистАгро сопоставляют температуру, влажность, осадки и историю поля с условиями развития патогенов. При формировании благоприятного окна система помогает определить приоритет полей и срок осмотра. Такой подход сокращает количество выездов по формальному графику и повышает вероятность обследования в период, когда решение ещё может повлиять на результат.

Согласно методике, описанной экспертами ГК «Геомир», инкубационный период септориоза яровой пшеницы обычно составляет 6–9 дней. Первый осмотр рекомендуется проводить через 6–7 дней после прогноза благоприятных условий. Если симптомы не выявлены, обследования повторяют каждые три дня в течение 2–3 недель с момента последнего благоприятного для заражения события. При повторном возникновении таких условий график осмотров корректируют.

При оценке листовых болезней основное внимание уделяют третьему листу сверху и расположенным выше листьям: продуктивный ярус должен оставаться здоровым. Если симптомы обнаружены на третьем листе, индекс развития болезни составляет 5–10%, а верхние листья не поражены, обработка ещё может защитить продуктивный ярус. Поражение верхних листьев при индексе развития болезни выше 10% свидетельствует о запоздалом проведении защитных мероприятий и снижает ожидаемую эффективность фунгицида.

Во время осмотра ИИ-модель определяет заболевание по снимку и оценивает степень повреждения. Результат сохраняется в карточке поля и используется при подготовке рекомендации по препарату, норме и сроку обработки. Окончательное решение принимает агроном с учётом фазы культуры, истории применения действующих веществ и фактического состояния посева.

Мониторинг вредителей по феромонным ловушкам

АссистАгро также распознаёт и подсчитывает насекомых на снимках феромонных ловушек. Это позволяет отслеживать динамику лёта вредителей и сопоставлять её с прогнозными моделями, погодой и фазой развития культуры.

Автоматический подсчёт снижает влияние субъективной оценки и упрощает регулярный мониторинг большого числа ловушек. При этом интерпретация результатов остаётся агрономической задачей: решение о защите принимают с учётом численности вредителя, экономического порога вредоносности и уязвимости культуры в текущей фазе.

Роль искусственного интеллекта в агрономическом решении

Нейросетевое распознавание не заменяет агрономическую экспертизу. Качество результата зависит от условий съёмки, фазы развития растений, выраженности симптомов и полноты обследования. В спорных случаях требуется повторный осмотр, отбор образцов или лабораторная диагностика.

Система стандартизирует сбор информации, увеличивает площадь контроля и сокращает интервал между обнаружением проблемы и защитным мероприятием. Распознавание приносит практический результат в связке с планированием осмотров, картой поля, рекомендательной системой и контролем результата обработки.

Такой процесс даёт агроному проверяемую основу для решения: фактическую структуру засорённости, динамику болезни или численности вредителя, границы проблемных зон и расчёт параметров обработки. Ответственность за выбор технологии и её применение сохраняется за специалистом.