AgroVision

Проблема, которую фермер видит слишком поздно

Болезни и вредителей на поле, как объясняет команда, часто замечают, когда часть урожая уже потеряна: поля обходят вручную, а найдя проблему, распыляют химикаты по всей площади без разбора. Это увеличивает расходы и нагружает окружающую среду, а поздний диагноз всё равно стоит урожая.

Что придумали

AgroVision — робот, который передвигается по полю, анализирует растения камерами и нейросетью YOLOv8, находит болезни и вредителей, а затем обрабатывает точечно только поражённые участки. Регулируемый ножничный механизм меняет высоту камеры и распылителя под культуры разного размера, а все данные уходят на онлайн-платформу, где фермер видит состояние поля целиком.

Отличие, которое подчёркивает сама команда: существующие решения на рынке закрывают только одну функцию — одни анализируют растения, другие обрабатывают или пропалывают. AgroVision совмещает анализ, диагностику и лечение в одной системе.

Как это началось

«Идея AgroVision появилась во время школьного исследовательского проекта. Учитель дал нам задание выбрать актуальную проблему и написать research paper. Сначала мы изучали состояние почвы, а затем, анализируя научные статьи и статистику, перешли к теме сельского хозяйства. Нас особенно заинтересовало, что фермеры сталкиваются с поздним обнаружением болезней растений, потерей урожая и чрезмерным использованием химикатов. Именно тогда мы поняли, что хотим создать технологическое решение, которое поможет автоматизировать мониторинг полей и сделать сельское хозяйство более эффективным».

Главный провал: три-четыре конструкции, прежде чем робот поехал ровно

«Во время разработки мы аж 3–4 раза полностью меняли конструкцию робота. Мы пробовали разные шасси, колёса и добавляли новые компоненты, тестируя их на различных поверхностях, чтобы добиться устойчивости и проходимости. Самой сложной задачей стало создание эффективной конструкции робота и обучение модели искусственного интеллекта для точного распознавания болезней и вредителей. Этот опыт научил нас не бояться переделывать проект и постоянно совершенствовать его через тестирование».

Разбор изобретателя

Метод-этап	Итеративное тестирование механики на разных поверхностях вместо одной «правильной» конструкции с самого начала
Что сработало	Проверка каждой версии на разных поверхностях: шасси, колёса и компоненты меняли по результатам испытаний
Что не сработало	Первые конструкции не давали нужной устойчивости и проходимости — корпус пришлось полностью менять 3–4 раза
→ Инструмент Части 2	Испытывать механику на тех поверхностях, где робот будет работать, с первой версии — и закладывать в план время на несколько полных переделок

Где проект сейчас

По словам команды, прототип с системой компьютерного зрения, онлайн-платформой и регулируемым ножничным механизмом создан и протестирован.

Дальше — полевые испытания на реальных фермах, повышение точности ИИ, пилотные проекты в Казахстане и подготовка к серийному производству.

Потенциал развития

Взгляд со стороны: чем этот проект может стать, если довести его до продукта. Это аналитическая гипотеза редакции, построенная на описании технологии.

Сильная сторона AgroVision — диагностика и обработка за один проход: нейросеть находит поражённое растение, регулируемый механизм тут же прицельно его обрабатывает. Попутно робот собирает карту поражений поля — данные, которые ценны и сами по себе.

Направления, куда это масштабируется

Направление	Что переиспользуется	Пример применения
Другие культуры и агрозоны	Тот же движок YOLOv8, дообученный на новых культурах	Виноградники, сады, теплицы — не только полевые культуры
Аналитическая платформа отдельно от робота	Карта поражений поля как данные	Продажа доступа к данным агрономам и страховщикам урожая независимо от продажи самого робота
Модульный ножничный механизм	Регулируемая по высоте платформа камеры/распылителя	Переносим на другие агророботы — прополку, точечное внесение удобрений
Сокращение химикатов как измеримая метрика	Точечная обработка вместо сплошного опрыскивания	Показатель для агрохолдингов, отчитывающихся по устойчивому развитию

Что нужно доказать. Первое — точность распознавания болезней на независимых полевых данных, а не только в тестах команды. Второе — экономика при масштабе одного реального хозяйства. Третье — полевые испытания на реальной ферме, которые команда сама называет следующим шагом.

Что советуют тем, кто начинает

«Не сдавайтесь после первых неудач: каждая ошибка делает ваш проект лучше. Начните с реальной проблемы и не бойтесь менять своё решение».

«Изобретать — это…»

«Превращать проблемы в возможности».