Китайские ученые разработали систему на базе искусственного интеллекта, которая может на 80% сократить ручной труд при анализе изображений насекомых-вредителей. Это решает одну из главных проблем, которая тормозит внедрение «умных» систем мониторинга в сельском хозяйстве и позволяет перейти от тотального распыления пестицидов к точечной обработке полей.
Современные агротехнологии предполагают использование световых ловушек: они приманивают ночных насекомых, фотографируют их и подсчитывают. Чтобы такая система работала, нейросеть должна уметь отличать опасных вредителей от безобидных видов. Для этого ИИ нужно обучить на огромных массивах данных – тысячах фотографий, где каждого жука или бабочку вручную обводит и классифицирует специалист-энтомолог. Этот процесс крайне медленный, дорогой и требует участия редких экспертов.
Исследователи из Чжэцзянского научно-технического университета предложили двухэтапный подход, который автоматизирует большую часть этой работы. На первом этапе система MLTIDD находит всех насекомых на снимке. Она эффективно распознаёт как крупных особей, так и самых мелких, которых стандартные детекторы часто пропускают. Для этого изображение разбивают на фрагменты, анализируют каждый по отдельности, а затем объединяют результаты.
На втором этапе в дело вступает модуль InsectSSRL. Он берёт необработанные изображения насекомых, полученные на первом шаге, и самостоятельно учится их классифицировать, анализируя такие признаки, как узоры на крыльях, строение тела и окрас. Система не требует предварительной разметки и использует для обучения данные, которые сама же и сгенерировала.
В итоге полный цикл выглядит так: машина обнаруживает насекомых, предлагает варианты их классификации, а человек-эксперт только проверяет и при необходимости исправляет её предположения, а не размечает всё с нуля. Проверка показала, что даже при обучении всего на 5% размеченных вручную данных система достигает точности классификации свыше 80%. По словам авторов, их метод одновременно повышает качество разметки, снижает нагрузку на экспертов и увеличивает общую эффективность.
Технология позволяет быстро создавать качественные наборы данных для обучения нейросетей, делая «умные» ловушки экономически выгодными для широкого внедрения. Кроме борьбы с вредителями, разработка может пригодиться в экологии для мониторинга биоразнообразия и в других областях, где требуется анализировать большое количество изображений мелких объектов, – например, при подсчёте планктона или анализе медицинских снимков.