В Новосибирской области начались испытания дрона, который с высоты трёх метров сканирует посадки, находит взрослых особей колорадского жука и отмечает их координаты на карте. Разработка Центра искусственного интеллекта НГУ уже применяется на полях. Задача — собрать достаточно изображений, чтобы нейросеть научилась безошибочно отличать вредителя от листвы.
Точечный контроль
Контроль за колорадским жуком на картофельных полях остаётся трудоёмким и неточным. Агроном обходит поле по диагонали, останавливается в нескольких точках и визуально оценивает состояние растений на выборочных маршрутах. Такой подход даёт лишь общее впечатление, но не полную картину. Очаги размножения на ранней стадии могут оказаться вне зоны осмотра, а их границы — неопределёнными. Главное следствие — избыточное применение химии.
«В результате обработка проводится по всему полю, хотя реальные участки заражения могут занимать ограниченные участки. Если их точно определить, можно его локально обработать и не заливать химией всё поле», — объяснил эксперт, инженер Центра ИИ НГУ Максим Магеров.
Это вредит почвенной микрофлоре и повышает себестоимость обработки. Именно эту проблему призвана решить разработка сотрудников Исследовательского центра в сфере искусственного интеллекта Новосибирского государственного университета. Проект базируется на идее перехода от сплошной обработки к точечному контролю.
Как дрон ищет жука поштучно
На коптере смонтирован модуль из четырёх камер, расположенных веером — это позволяет с небольшой высоты захватывать максимально широкую полосу посадок за один проход. Оптимальная высота, которую сейчас подбирает команда, — порядка трёх-четырёх метров над кустами.
На борту установлен одноплатный компьютер, который в реальном времени обрабатывает изображения. Алгоритмы машинного зрения детектируют взрослых особей, причём система ориентируется не на повреждённые листья, а непосредственно на насекомых. «Личинки с воздуха увидеть сложнее, поскольку они часто находятся под листьями, и текущая версия алгоритма на них не обучена. Зато взрослые жуки, сидящие на верхней части растений, могут быть обнаружены поштучно», — уточнил Максим Магеров.
После обработки данные по цифровому каналу передаются на станцию. На ноутбуке агронома открывается веб-приложение с картой поля, где отмечены все точки обнаружения вредителя. По этим координатам принимается решение о локальной обработке конкретных участков. Это снижает расход инсектицидов, уменьшает нагрузку на почву и вписывается в мировой тренд точного земледелия, где беспилотники и нейросети применяются для мониторинга посевов.
Полевой сезон: сбор данных
Проект находится на стадии активных полевых испытаний. Разработчики регулярно выезжают на льные поля, корректируют параметры съёмки, проверяют связь и тестируют алгоритмы при разном освещении и на разных фазах роста картофеля. Ключевая задача ближайшего периода — расширение обучающей выборки для нейросети. До сих пор модель обучалась преимущественно на синтетических изображениях жука, а реальных кадров было недостаточно. Чтобы нейросеть надёжно различала вредителя при разном фоне, ракурсе и погоде, нужен большой массив данных, собранных непосредственно в полях.
В тему
По планам разработчиков, осенью и зимой после завершения полевого этапа последует доработка технологии, юридическое оформление прав и подготовка к масштабированию. В Центре ИИ НГУ рассчитывают на интерес сельхозпроизводителей, стремящихся сократить расходы на химию и перейти к точному контролю вредителей. В более широком контексте проект показывает, как компетенции в сфере ИИ и бортовой обработки данных с беспилотников переходят из одних прикладных областей в другие. Те же подходы ранее использовались для поиска людей и мониторинга территорий, теперь — для сельского хозяйства, а другие команды Центра ИИ НГУ применяют аналогичные решения для управления городской инфраструктурой. Это демонстрирует универсальность технологий компьютерного зрения и их готовность решать задачи реального сектора.
Семен Беспалов
Подписывайтесь на АиФ в  MAX
|
