ИИ помог спрогнозировать урожайность кукурузы

Современные методы измерения геометрических характеристик, необходимых для селекции и оценки урожайности, устарели, трудоемки и затратны. Они требуют сложных систем глубокого обучения и постоянной доработки, что не соответствует требованиям современного сельского хозяйства.

Новая разработка, основанная на структуре ZSL, объединяет распознавание объектов по текстовым описаниям, эффективную сегментацию изображений и точное извлечение геометрических данных.

Преимущества нового метода

Благодаря использованию текстовых подсказок система становится масштабируемой и экономически выгодной альтернативой ручным измерениям и моделям, требующим больших объемов данных. Она показала высокие результаты в лабораторных и полевых условиях, на разнообразных сортах и в различных географических регионах.

Основные преимущества метода: универсальность, возможность работы с различными сортами и условиями без дополнительного обучения, совместимость с обычными устройствами, смартфонами и сканерами, удобство использования в полевых условиях и высокая скорость обработки данных благодаря продуманной конструкции.

Этот полностью автоматизированный процесс эффективно объединяет точность лабораторных исследований с масштабом полевых работ, предоставляя ценный инструмент для селекции, прогнозирования урожайности и точного земледелия.

Во Всероссийском центре карантина растений (ФГБУ «ВНИИКР» Россельхознадзора) разрабатывают методы диагностики карантинных сорных растений с использованием методов машинного обучения. Для исследований используется самое современное оборудование, которое позволяет оптимизировать и ускорить процесс.

Источник: Fangming Wu et al, Zero-shot learning for phenotyping of maize cob geometric traits in diverse environments, Smart Agricultural Technology (2025). DOI: 10.1016/j.atech.2025.101643