Я даю Согласие на обработку файлов cookie в соответствии с Политикой конфиденциальности. В случае отказа от обработки cookie я проинформирован о необходимости прекратить использование Сайта или отключить файлы cookie в настройках браузера.
Применение искусственного интеллекта в сельском хозяйстве
Примеры наших проектов
Выявление заболеваний растений и контроль урожая
Система распознает плоды, определяет спелость, выявляет признаки повреждений, подсчитывает количество и формирует отчеты.
Решение на основе машинного зрения помогает диагностировать заболевания сельскохозяйственных культур и проводить мониторинг их состояния.
Сортировка урожая на конвейере по уровню спелости
Система распознает плоды разных сельскохозяйственных культур и на основе цвета плода определяет спелость. На основе полученных данных происходит сортировка продукции, а также осуществляется подсчет продукции.
Контроль цветности сахара при переработке сахарной свеклы
Система автоматически распознает цвет сахара на видеопотоке, сопоставляет его с эталонными значениями цветовой шкалы, распознает отклонения от заданного уровня цвета в условных единицах ICUMSA.
Результат: контроль отделения патоки от сахара, максимальный выход чистого продукта.
Результат: контроль отделения патоки от сахара, максимальный выход чистого продукта.
Учет продукции на складе
Система с помощью машинного зрения и нейросетей отслеживает наличие и количество материалов в каждой складской ячейке, проверяет правильность их размещения и мгновенно оповещает о снижении запасов до критического уровня.
Результат: предотвращение остановок производственной линии, оптимизация закупок и складских запасов.
Какие еще задачи можно решать
с помощью ML Sense в аграрной отрасли
с помощью ML Sense в аграрной отрасли
Использование ИИ в сельском хозяйстве
- Мониторинг работы техникиКонтроль работы сельскохозяйственной техники и транспорта
- Определение состояния растений
- Мониторинг посевовОпределение густоты и равномерности всходов, выявление проблемных зон
- Определение стадии созреванияС разбивкой по зонам поля — чтобы планировать выборочный сбор урожая.
- Выявление механических повреждений плодовТрещины, вмятины, следы града и пр.
- Формирование карт урожайностиВ зависимости от количества, размера плодов, признаков болезней.
- Распознавание сорняковИ построение карт их распространения
- Контроль состояния почвы и поливаАнализ влажности почвы
Принцип работы системы ML Sense
На дроны, тракторы или над конвейером устанавливаются высокоточные камеры.
Они фиксируют видеопоток и изображения в высоком разрешении.
Камера подбирается в зависимости от условий эксплуатации и задачи.
Они фиксируют видеопоток и изображения в высоком разрешении.
Камера подбирается в зависимости от условий эксплуатации и задачи.
На сервер устанавливается программа ML Sense, которая анализирует поступающий с камеры видеопоток.
Алгоритмы машинного зрения и нейросети определяют количество плодов и их распределение по участкам. степень зрелости, признаки заболеваний, качество листового покрова, размер плодов и пр.
Алгоритмы машинного зрения и нейросети определяют количество плодов и их распределение по участкам. степень зрелости, признаки заболеваний, качество листового покрова, размер плодов и пр.
В программе для оператора отображается информация о событии. Каждое событие сопровождается временем обнаружения; GPS-координатами участка; характеристиками объекта (размер, количество, площадь заражения, степень риска) и пр. в зависимости от задач. Оператор может управлять процессом контроля как со стационарного компьютера, так и с планшета или мобильного телефона (Android, iOS).
Принцип работы системы ML Sense
На дроны, тракторы или над конвейером устанавливаются высокоточные камеры.
Они фиксируют видеопоток и изображения в высоком разрешении.
Камера подбирается в зависимости от условий эксплуатации и задачи.
Они фиксируют видеопоток и изображения в высоком разрешении.
Камера подбирается в зависимости от условий эксплуатации и задачи.
На сервер устанавливается программа ML Sense, которая анализирует поступающий с камеры видеопоток.
Алгоритмы машинного зрения и нейросети определяют количество плодов и их распределение по участкам. степень зрелости, признаки заболеваний, качество листового покрова, размер плодов и пр.
Алгоритмы машинного зрения и нейросети определяют количество плодов и их распределение по участкам. степень зрелости, признаки заболеваний, качество листового покрова, размер плодов и пр.
В программе для оператора отображается информация о событии. Каждое событие сопровождается временем обнаружения; GPS-координатами участка; характеристиками объекта (размер, количество, площадь заражения, степень риска) и пр. в зависимости от задач. Оператор может управлять процессом контроля как со стационарного компьютера, так и с планшета или мобильного телефона (Android, iOS).
Преимущества системы ML Sense
- Полностью российская разработка. Включенная в реестр отечественного ПО (Реестровая запись №12843 от 14.02.2022.)
- Построена на основе нейронных сетей. Это обеспечивает возможность распознавания любых объектов и дефектов в любых условиях эксплуатации.
- Универсальное решение для работы в поле и любых конвейеров.
- Точность работы до 100%
- Интеграция с любыми MES-системами.
- Возможность организовать единый центр контроля брака, в который поступает информация с каждого пункта контроля для своевременной реакции на появление дефектов.
- Управление процессом как с компьютера, так и с мобильного телефона (Android, iOS) из любой точки мира.
- Интеграция с АСУ и вашим оборудованием, возможность автоматизировать реакцию на событие без участия оператора.
- Интеграция с вашими системами учета (1С и пр.)
- Возможность самообучения системы для классификации объектов дефектов.
Расскажите нам о своей задаче
Мы поможем ее решить!
Оставьте заявку на консультацию и демонстрацию работы системы