Аргентинский ИИ-робот распознает вредителей с точностью 90% и экономит пестициды

Современный агросектор стремится к увеличению урожайности без бесконтрольного использования химикатов. В авангарде этого процесса оказались аргентинские фермеры, которые начали внедрять сельскохозяйственных роботов, оснащенных искусственным интеллектом.

Новое изобретение способно самостоятельно обнаруживать болезни и вредителей непосредственно на поле, нанося пестициды только там, где это действительно необходимо. Благодаря ИИ устройство ставит диагноз с точностью 90%, что позволяет избежать массового распыления ядохимикатов на здоровые участки растений.

Принцип работы аргентинского интеллектуального помощника

Создателем робота выступил Педро Бокка, исследователь из Института автоматики Сан-Хуана (CONICET). Работа над проектом велась более шести лет и завершилась получением патента.

Процесс работы устройства разделен на три этапа: осмотр растения, определение степени поражения и точечное нанесение препарата. Технически это реализовано через комбинацию передней камеры и роботизированного манипулятора. Камера делает снимки листьев, нейросеть анализирует их, а манипулятор направляет форсунки на конкретную зону поражения.

Ключевым преимуществом является скорость: весь цикл занимает менее 10 секунд. Такая оперативность позволяет использовать робота в реальных полевых условиях, а не только в лаборатории. Изначально система была настроена на работу с оливковыми деревьями, но разработчики утверждают, что технологию можно адаптировать практически под любую древесную культуру.

Как симбиоз робототехники и ИИ меняет сельское хозяйство

Традиционные системы защиты растений часто работают по принципу массового покрытия, не разделяя больные и здоровые деревья. Аргентинский робот меняет этот подход: если заражена только верхушка или нижняя часть кроны, препарат будет нанесен именно туда.

Такой метод позволяет гибко регулировать дозировку: в очаге инфекции применяется полная доза, а на соседних, менее рискованных участках, концентрация снижается. Это ведет к существенному сокращению расходов фермеров и снижению экологической нагрузки на почву.

Хотя предварительные тесты подтвердили высокую эффективность, следующим этапом станет полная интеграция системы с тракторной техникой для проведения масштабных полевых испытаний и точного расчета экономии ресурсов.

Обучение нейросети в «полевых» условиях

Одной из главных трудностей при разработке было обучение ИИ работе в условиях, далеких от идеальных. В лаборатории снимки получаются четкими и хорошо освещенными, но в реальности ситуация иная. Чтобы преодолеть этот барьер, ученые создали базу данных из 4000 различных изображений листьев.

Особенность базы в том, что в нее включили не только качественные фото здоровых и больных растений, но и заведомо плохие, размытые снимки. Это научило ИИ распознавать случаи, когда изображение непригодно для диагностики, что исключает ошибки при классификации болезней в реальном секторе.