Насекомые-вредители ежегодно уничтожают до 40% мирового урожая, а экономический ущерб, по оценкам Продовольственной и сельскохозяйственной организации ООН, превышает $220 млрд. Существующие методы борьбы – осмотр полей, феромонные ловушки и спутниковые снимки – неэффективны, трудозатратны и не отличаются точностью. Новая волна технологий, объединяющая искусственный интеллект (ИИ) и интернет вещей, позволяет перейти от реагирования на уже появившихся вредителей к их непрерывному, автоматическому и прогнозируемому обнаружению.
К такому выводу пришли учёные из Индийского института химической технологии, проанализировав 165 научных работ. Исследование показывает, что эта сфера развивается стремительно: подавляющее большинство публикаций по теме вышло после 2020 года. Современные алгоритмы глубокого обучения, в частности свёрточные нейросети, уже демонстрируют в лабораторных условиях точность до 99,9% в классификации вредителей по изображениям. Модели семейства YOLO, предназначенные для обнаружения объектов, находят и подсчитывают насекомых на фотографиях с полей с точностью свыше 97%.
На практике такие алгоритмы становятся частью единой системы. Камеры, датчики на ловушках и дроны собирают данные прямо в поле. Компактные вычислительные модули вроде Raspberry Pi и NVIDIA Jetson обрабатывают информацию на месте, что позволяет получать результат в реальном времени без постоянного подключения к облаку. Фермеры получают готовые отчёты и предупреждения о появлении вредителей через мобильные приложения. Уже существуют решения, которые позволяют агрономам оценивать плотность популяции насекомых с помощью обычного смартфона.
Несмотря на впечатляющие лабораторные результаты, технологии пока не готовы к массовому внедрению. Точность моделей резко падает в реальных полевых условиях из-за переменчивого освещения, теней, ветра и других помех. Кроме того, существующие наборы данных для обучения ИИ несбалансированны: в них преобладают изображения распространённых вредителей, тогда как редкие, но опасные виды представлены слабо. Это мешает нейросетям эффективно работать в разных климатических зонах и с разными культурами.
В будущем эти проблемы могут решить технологии объяснимого ИИ, которые помогут агрономам понимать логику работы алгоритмов и доверять им. Объединение данных с разных типов сенсоров – оптических, тепловых, гиперспектральных – позволит выявлять заражение ещё до появления видимых симптомов. По оценкам авторов обзора, замкнутые системы, где ИИ не только обнаруживает вредителей, но и управляет точечным опрыскиванием, способны сократить использование пестицидов на 50–70%. Такой переход от сплошной химической обработки к целенаправленному воздействию изменит подходы к ведению сельского хозяйства и укрепит мировую продовольственную безопасность.