Модуль p.8 · Урок 4
Урок 4: Точное земледелие с CV — John Deere See & Spray, Cognitive Agro Pilot, Bayer FieldView
Чему вы научитесь
- Понимать, как устроены три ключевых AI-слоя точного земледелия: CV в поле, автономная навигация и платформы агроданных
- Видеть разницу между John Deere See & Spray, Cognitive Agro Pilot и Bayer FieldView
- Понимать, где в агро ROI виден за сезон, а где проект превращается в долгую инфраструктурную программу
- Собирать реалистичную архитектуру field-edge AI на камерах и Jetson без тяжёлых облачных зависимостей
- Отделять зрелые production-кейсы от маркетинга вокруг «полностью автономного поля»
Агро — редкий сегмент, где AI часто защищается проще, чем в тяжёлой промышленности. Причина понятна: сезон короткий, действие видно быстро, а экономический эффект легко переводится в гектары, гербициды, урожайность и проходы техники. Но и здесь важно развести разные классы задач. Targeted spraying — это не то же самое, что автономная навигация. Платформа данных типа FieldView — это не то же самое, что CV на штанге опрыскивателя.
Три слоя агро-AI
| Слой | Что делает | Типовой эффект |
|---|---|---|
| CV в поле | отличает сорняк от культуры, считает растения, видит стресс и болезни | меньше химии, меньше ручного осмотра, выше точность обработки |
| Автономная навигация | ведёт технику по полю, удерживает маршрут, помогает комбайну и трактору | меньше overlap, меньше потерь, стабильнее работа в длинную смену |
| Платформа данных | собирает карты полей, телеметрию, погоду, yield maps, спутниковые данные | лучшее решение по нормам, семенам, срокам и обработкам |
flowchart LR
A[Камеры, GPS, IMU, датчики техники] --> B[Edge inference на машине]
B --> C[Решение: spray, route, warning]
C --> D[Исполнительный механизм: секция опрыскивателя или автопилот]
D --> E[Логирование операции]
E --> F[Платформа агроданных и аналитика]
F --> G[Норма внесения, планирование, отчёты]John Deere, Cognitive Pilot, Bayer — кто за что отвечает
| Игрок | Главный сценарий | Что брать себе |
|---|---|---|
| John Deere See & Spray | targeted spraying через CV на опрыскивателе (John Deere) | Логику «камера → классификатор → локальное действие» |
| Cognitive Agro Pilot | автономная навигация техники, в том числе без жёсткой привязки к GPS (Cognitive Pilot) | Логику edge-perception и safe driving assistance |
| Bayer FieldView | data platform по полям, телеметрии и агроаналитике (Bayer) | Логику data layer и принятия агрономических решений |
John Deere сообщает применение See & Spray на 5 млн акров в 2025 году (Global Ag Tech Initiative). Независимое исследование University of Arkansas (2025) показывает снижение использования гербицидов примерно на 43–59%, а в отдельных оценках по стоимости — до 80% в сое (University of Arkansas).
Cognitive Pilot раскрывал, что ещё в 2020 году Cognitive Agro Pilot обработал более 160 тыс. га и собрал около 590 тыс. тонн зерновых из 720 тыс. тонн общего урожая; с тех пор система продолжает масштабироваться, включая заводскую установку на Kirovets и другие машины (Cognitive Pilot; Robotics 247). Bayer FieldView говорит о покрытии 250+ млн акров в 23 странах (Bayer FieldView).
Почему See & Spray стал каноничным кейсом
See & Spray важен не брендом, а архитектурой. Это production-grade пример того, как CV в поле приводит к немедленному физическому действию.
- Камеры стоят на машине.
- Модель работает локально, near-edge.
- Решение принимается не «по итогам смены», а в момент прохождения штанги.
- Экономический эффект измеряется в реальном снижении химии.
Именно поэтому этот кейс полезен даже для тех, кто не собирается покупать Deere. Он показывает pattern: field CV имеет смысл, когда у него есть короткий путь от восприятия к действию.
Где начинается российский реализм
Российский агро-AI не может просто копировать западный стек один в один. Но и с нуля всё изобретать не нужно.
- Для автономной техники и perception есть сильный локальный reference — Cognitive Agro Pilot.
- Для data platform можно брать паттерн FieldView, но строить локальный контур на своих данных и российских интеграторах.
- Для CV по болезням и стрессу можно использовать открытые датасеты вроде PlantVillage:
54 306изображений,14культур и26болезней (PlantVillage). - Для спутниковой аналитики и yield-пилотов пригодны открытые наборы из curated-списка
satellite-image-deep-learning/datasets(GitHub).
Какой стек реально нужен среднему агрохолдингу
| Слой | Практичный вариант |
|---|---|
| Edge на технике | Jetson, industrial PC или вендорный embedded computer |
| CV-модели | YOLO, segmentation, disease classification, custom weed detectors |
| Data layer | карты полей, телеметрия техники, спутниковые снимки, урожайность |
| Аналитика | нормирование, прогнозы, рекомендации по обработкам |
| Контур принятия решения | агроном, механизатор, служба эксплуатации техники |
Технически это близко к другим edge-CV сценариям, разобранным в p.9/03, но в агро сильнее влияние сезонности, погоды и географии.
Как запускать пилот в поле
Выберите один сценарий с коротким ROI. Обычно это либо herbicide reduction, либо автономная навигация на одном типе техники.
Не смешивайте perception и data platform в один пилот. Сначала докажите эффект на машине или на одном аналитическом процессе, потом объединяйте контуры.
Сразу собирайте логи полевых проходов. Без истории срабатываний, карт и факта внесения вы не сможете доказать эффект.
Считайте экономику по сезону. Гербициды, overlap, производительность техники, потери времени, урожайность — в агро это важнее abstract ML-metrics.
Оставьте человека в контуре. Агроном и механизатор должны иметь право override, особенно в первый сезон.