logo

Алгоритм на базе ML для аграрной компании

Помогли оптимизировать процессы и увеличить прибыль за счет внедрения умных технологий в бизнес-практику агропредприятия.
2 (9).png
1 (8).png
ИндустрияСельское хозяйство
Тип бизнесаB2B
РегионРоссия
ИндустрияСельское хозяйство
Тип бизнесаB2B
РегионРоссия

Клиент

Аграрная компания, занимается выращиванием и переработкой сельскохозяйственной продукции с 2014 года. Работает с самыми разными культурами – от пшеницы до подсолнечника.

Количество сельхозугодий предприятия растет с каждым годом, а с ними – и число работников, которые их обслуживают. Например, агрономы делают массу трудоемкой работы вручную, что требует дополнительного времени и ресурсов. Ключевые фигуры компании задумались об оптимизации и обратили внимание на Data Science как способ, который поможет обогатить инструментарий землеуправления и позволит не раздувать штат.

Столкнулись с похожей бизнес-задачей?Давайте ее обсудим
Столкнулись с похожей бизнес-задачей?Давайте ее обсудим

Вызовы

Компания обратилась к нам в 2023 году. Пришла за разработкой алгоритма на базе ИИ, который будет собирать важные практические сведения о состоянии полей и растений в период вегетации, а также поможет своевременно принимать операционные решения.

То, с чем пришел клиент, – задача классификации объектов, ее решает машинное обучение (ML). Однако способов классификации множество – среди них нужно выбрать наиболее простой и одновременно эффективный.
large-beautiful-agricultural-field-with-stacks-hay-shot-from.jpg

Подбор метода классификации

Какой метод сможет работать с разными классами сложных данных, обеспечив при этом высокую точность и надежность модели? Нужно также учитывать, что данные будут несбалансированными, с большим количеством шумов.

1 (8).png

Многозадачность

Помимо выявления проблем на полях компания хотела внедрить оценку урожайности для прогнозирования прибыли. Это означало, что перед нами стоит не одна, а целых две практических задачи.

Использовать два разных способа решения не подойдет – увеличится стоимость разработки. Нужен универсальный способ, который можно применить сразу под оба случая.

Что мы сделали и как это работает:

1. Остановились на методе опорных векторов (SVM)

Морфологические признаки – окраска стеблей, состояние листьев, размер соцветий или боковых побегов – у здоровых растений одного и того же вида одинаковы.

Используя характеристики эталонных изображений культур, SVM поделит фотографии так, что все «правильные» растения окажутся с одной стороны, а все «неправильные» — с другой. После чего с «неправильными» изображениями будет работать уже другой алгоритм, который поможет точнее выявить и описать проблему.

2. Подготовили обучающие материалы

С помощью агрономов предприятия отобрали эталонные фотографии растений каждого вида на разных фазах развития – от всходов до полной спелости, когда урожай готов к сбору. Разметили правильные категории и подали в ядро для обучения. Повторяли манипуляции до тех пор, пока не перебрали все двенадцать видов культур, которыми занимается предприятие.

Для оценки работоспособности модели и набора параметров применили метод перекрестной проверки. Когда убедились, что все настроено и обрабатывается верно, интегрировали алгоритмы в систему мониторинга полей.

3. Запустили мониторинг

Шаг 1. Все технологические операции по сбору материалов в полях выполняют агродроны: они фотографируют и отправляют изображения в высоком разрешении на сервер.

Шаг 2. Далее наш алгоритм проводит предварительную обработку изображений с помощью метода адаптивного цветового баланса. Помогает избежать различий в восприятии одного и того же объекта, которые возникают из-за разницы освещения в течение светового дня или погодных условий.

Шаг 3. Алгоритмы анализируют обработанные изображения и сравнивают с «эталоном» каждого вида культур.

Шаг 4. В дело вступают различные методы сегментации – они выделяют отдельные участки изображения и подсвечивают области с аномалиями.

Шаг 5. Все выделенные сегменты анализируются на основе цветового распределения, размера, формы краев и прочим признакам. Информация об аномалиях извлекается по отдельным признакам и выводится на дашборды в режиме реального времени.

4. Добавили оценку урожайности

Использовали эту же модель для работы с новыми данными – обучили алгоритм оценивать уровень вегетации и определять спелость культур.
– Ориентируясь на эту информацию, сотрудники направляют технику на сбор только зрелого урожая.
– Можно подбирать оптимальное время сбора для улучшения качества продукции.
– Руководство прогнозирует прибыль от урожая с точностью до 96%.

Технологии

technology
Бэкенд

Python

technology
Библиотека

OpenCV

technology
Библиотека

Scikit-Learn

technology
База данных

PostgreSQL

Результат

Обычно агропромышленный комплекс консервативен в плане инноваций. Пример нашего клиента по внедрению умных технологий в бизнес-процессы показателен: руководство увидело потенциал в Data Science и применило технологии в своей практике.

Алгоритмы, которые мы разработали и обучили, помогают агрокомпании:

  • держать процессы под контролем;
  • планировать сельскохозяйственные операции;
  • принимать своевременные операционные решения;
  • повышать производительность сельскохозяйственных угодий и максимизировать урожай;
  • экономить ресурсы, сводя к минимуму использование ручного труда;
  • сокращать количество отходов и оптимизировать рентабельность;
  • уделять дополнительное внимание тем областям, которые в этом нуждаются.
на 53%

снизились операционные расходы предприятия.

grade
96% –

такой точности прогнозирования прибыли мы смогли добиться.

grade

Напишите нам

/ 5000

Что происходит дальше:

  • Мы получаем запрос, обрабатываем его в течение 24 часов и связываемся по указанным вами e‑mail или телефону для уточнения деталей.

  • Подключаем аналитиков и разработчиков. Совместно они составляют проектное предложение с указанием объемов работ, сроков, стоимости и размера команды.

  • Договариваемся с вами о следующей встрече, чтобы согласовать предложение.

  • Когда все детали улажены, мы подписываем договор и сразу же приступаем к работе.