Исследователи в Китае разработали систему на базе искусственного интеллекта, которая определяет высоту сельхозкультур с сантиметровой точностью по одной фотографии с обычной камеры. Технология Depth4PH, описанная в журнале Artificial Intelligence in Agriculture, может существенно удешевить и ускорить сбор данных в селекции и точном земледелии.
Новый подход решает проблему, которая тормозила широкое внедрение цифрового мониторинга. Ручные замеры тысяч растений в полях требуют много времени и дают нестабильный результат. Существующие технологии, такие как лидары, слишком дороги, а методы 3D-реконструкции по нескольким снимкам ненадежны в полевых условиях из-за ветра, яркого солнца и густой листвы.
Основной проблемой для ИИ-моделей стала нехватка качественных данных для обучения – в реальных полях почти невозможно собрать точные карты глубины. Чтобы обойти это ограничение, команда создала высокодетализированную виртуальную ферму в 3D-редакторе Blender. На ней сгенерировали тысячи моделей кукурузы и сои с реалистичной структурой, разным рельефом почвы и имитацией освещения в разное время суток. Это позволило получить идеальные синтетические данные для обучения нейросети.
В основе Depth4PH лежат четыре компонента. Сначала доработанная нейросеть Depth Anything V2 анализирует снимок и строит карту абсолютной глубины сцены в метрах. Затем другая модель, SAM 2, автоматически выделяет на изображении отдельные растения, отсекая почву и посторонние объекты вроде труб орошения. Наконец, специальный алгоритм по этим данным вычисляет вертикальное расстояние от самой высокой точки растения до поверхности земли под ним.
Эффективность системы проверили на 350 реальных растениях пяти культур: огурца, томата, сои, хлопка и кукурузы. Тесты проводили на двух исследовательских базах в Китае – в Синьсяне и пекинском районе Сяотаншань. Результаты Depth4PH превзошли по точности все базовые методы. Технология не требует специализированных датчиков и работает на обычном оборудовании, что делает ее доступной для исследовательских центров и агрохозяйств по всему миру. Разработчики полагают, что этот же подход можно адаптировать для оценки объема кроны, биомассы и других агрономических показателей.