AgroVision AI
Карта сорняков и точечного опрыскивания по снимкам дрона
Задача
Среднее поле в регионе — 400 гектаров, сорняки распределены по нему неравномерно, а гербицид льют сплошь, по максимальной засорённости. Средства защиты растений — самая дорогая статья расходов, а пешком обойти 400 га агроном не может. У «Олжа Агро» был свой лёгкий дрон, неразмеченные снимки полей за сезон и фото сорняков, размеченные агрономом по виду и фазе.
Решение
Снимок с дрона режется на тайлы, детектор отделяет культуру от сорняка, классификатор определяет вид и фазу, дальше работают правила агронома-ментора: пороги вредоносности и доза по фазе. Каждая находка получает свою координату, вокруг очагов строятся зоны обработки, итог — файл задания для терминала опрыскивателя. Там, где модель не уверена, объект уходит агроному в офлайн-приложение, а не под форсунку.
Технические решения
- Два этапа вместо одной сети: YOLOv8s ищет «культура / сорняк», EfficientNet-B0 с двумя головами определяет вид (26 классов из справочника кейса) и фазу. Слияние рамок по IoM убирает «эффект матрёшки», когда на один куст вешается полсотни вложенных боксов.
- Порог ручной проверки — один на весь проект (0,75), в одном конфиге. Ниже порога объект не может получить действие «опрыскать»: только «проверить». Решения агронома сохраняются и идут в дообучение, но новая модель никогда не подменяет рабочую автоматически.
- Геопривязка отдельного сорняка по EXIF, а не координата всего кадра; экспорт в GeoJSON, Shapefile и ISO 11783-10 TASKDATA — формат, который читают терминалы опрыскивателей.
Что пошло не так
- 98% на эталонных фото агронома и реальные кадры дрона — разные вещи. На мелких вырезках с дрона медианная уверенность вида — 0,49, и 454 объекта из 711 ушли на ручную проверку. Поэтому в конвейере и есть шаг с человеком.
- Экспорт в ISO 11783-10 структурно валиден, но ни на одном реальном терминале не проверен. «Напрямую в John Deere» — это было бы обещание, которого мы не проверяли.
- В первой версии README стояли две экономические цифры, которые друг другу противоречили. Разбор метрик после хакатона это поймал: теперь экономика дана формулой и сценарием, а не как измеренный факт.
Результат
Первое место по кейсу №1 и приз 500 000 ₸. После хакатона жюри попросило привести проект в порядок и опубликовать — мы переписали README на проверенных цифрах, с таблицей «что заявляли / что показала проверка», и довели набор тестов до зелёного: 125 пройдено.
Что бы сделал иначе
Сначала — размеченный набор настоящих вырезок с дрона, а уже потом красивые проценты на студийных фото. И каждую цифру в питче — со ссылкой на файл, из которого она взята, ещё до сцены, а не после неё.
Как это было
Qostanai AgroTech Hackathon, 17–18 сентября 2026 года, Костанай. Организаторы — костанайский филиал Astana Hub, ТОО «Метод 2023», агрохолдинг «Олжа Агро» и Digital & AI Qazaqstan 2026; оба кейса дала «Олжа Агро», призовой фонд 1 000 000 ₸ — по 500 000 ₸ на кейс. Кейс разбирал директор по цифровой трансформации холдинга, днём работали с менторами, на второй день — Demo Day: три минуты на защиту и две на вопросы жюри. Мы выступали как MusorDropp, три человека.
Сертификаты
Диплом победителя: первое место по кейсу №1 — распознавание сорняков по снимкам дрона. Выдан команде: на бланке название, под которым мы выступали, — Musor Dropp. Подписи: Е. Баярчук, CEO ТОО «Метод 2023», и Д. Мнайдаров, директор костанайского филиала Astana Hub.
Приз победителю кейса — 500 000 ₸: общий фонд хакатона 1 000 000 ₸ делился поровну между двумя кейсами «Олжа Агро». Это табличка, которую вручают на сцене, — она же на фото команды.
Сертификат участника хакатона. Тоже командный, с теми же подписями, что и на дипломе победителя.