За 2025 год было проведено комплексное исследование нейросетевых моделей обучения для задач детектирования и классификации культурных и сорных растений, а также оценки плотности всходов на посевной площади. В итоге обученные модели интегрируются в разрабатываемый программно-аппаратный комплекс для картографирования полей и предоставления информации о посевной площади в виде наглядных тепловых карт.
Одна из главных трудностей, с которой столкнулись исследователи, – подготовка данных для обучения нейросетей. Сложной задачей является сбор разнообразных фотографий полей с нужным ракурсом и количеством растительных объектов, характерных для заданной географической местности. Поэтому была самостоятельно создана репрезентативная выборка, подходящая для мониторинга посевных площадей. Программное обеспечение, разработанное учеными ДГТУ, позволяет автоматически находить и маркировать сорняки при анализе зеленой массы на заранее отобранных изображениях. Затем они автоматически размещались на изображениях посевных площадей со всходами пшеницы. Такой подход существенно ускорил подготовку данных для обучения и будет применен для других культур.
Следующим шагом стало исследование моделей обучения на эффективность детектирования культурных растений и сорняков. Исследователи протестировали разные архитектуры нейросетей и на основе лучших решений создали алгоритм, который превращает обычные фото в наглядные карты поля. Важным элементом этого процесса стал веб‑сервис, позволяющий наглядно представить вычисленные характеристики поля в виде тепловых карт, а также графиков динамики сорности и всхожести культурных растений на поле. Сервис позволяет загружать фотографии посевов с геопозиционными метками и временем съемки. Система автоматически анализирует изображения, выявляет сорную растительность, культурные растения и зоны с ослабленным ростом. Результаты отображаются в виде тепловых карт, где красный цвет означает высокую засоренность, а зеленый – культурное растения. Кроме того, сервис хранит историю наблюдений, строит статистику по выбранным периодам и позволяет управлять набором полей.
Наша цель – не просто создать очередную технологическую новинку. Мы хотим дать аграриям инструмент, который поможет принимать обоснованные решения: где и когда проводить обработку, какие участки требуют особого внимания. Цифровизация сельского хозяйства – это не будущее, а уже настоящее. И наша задача – сделать эти технологии доступными и понятными для конечного пользователя.
Сейчас команда переходит к принципиально важному этапу – дообучению системы на данных с реальных полей. Также планируется расширить функционал картографической системы, а именно научить ее определять фазы роста растений. В планах – тесная интеграция веб‑сервиса с сельскохозяйственной техникой и датчиками, чтобы данные поступали в систему автоматически, а фермеры получали готовые рекомендации в режиме реального времени.
Аркадий Кузнецов, управление информационной политики
isdstu@mail.ru
