Искусственный интеллект в сельском хозяйстве: ТОП сценариев от взвешивания КРС до точного земледелия

Рассказываем, как видеоаналитика контролирует регламент доения, выявляет половую охоту, рассчитывает массу скота с помощью лидаров и управляет автономной техникой

ИИ-решения для сельского хозяйства и АПК.jpg

Современный агробизнес больше не может расти только за счет новых гектаров или бесконечного увеличения стада — отрасль переходит к точной математике процессов. Уследить за комплексом на несколько тысяч голов человеку физически не под силу: внимание ограничено, а квалифицированных кадров на рынке критически не хватает. Эту задачу непрерывного наблюдения забирают на себя ИИ и машинное зрение. Они делают живое измеримым, переводя непредсказуемые биологические процессы в четкие цифровые метрики.

Технологически такие проекты делятся на два направления, каждое со своим аппаратным стеком и ML-архитектурой:

  • Животноводство: работа с динамичными, хаотично движущимися объектами (распознавание, трекинг, анализ поведения в реальном времени).
  • Растениеводство: макро-аналитика полей и интеграция машинного зрения в автопилоты тяжелой сельхозтехники.

машинное зрение в животноводстве как применяется.jpg

Применение ИИ в животноводстве: непрерывный мониторинг и снижение стресса у животных

В молочном и мясном скотоводстве видеоаналитика решает задачи, которые невозможно закрыть разовыми обходами персонала. Любое вмешательство человека (сгон скота, ручные замеры) вызывает у животных стресс, что напрямую конвертируется в потерю надоев и снижение привеса.

Автоматический контроль регламента доения

Любое систематическое нарушение технологии машинного доения — это прямой путь к маститу, снижению сортности молока и преждевременной выбраковке животного. Универсальных "коробочных" алгоритмов здесь не существует, так как каждая ферма работает по своим стандартам.

Если опираться на нашу практику подготовки пресейлов и пилотных проектов, интеграция ИИ всегда строится вокруг оцифровки конкретного локального регламента заказчика. 

Например, в одном из рабочих сценариев мы обучали видеоаналитику жестко контролировать следующую технологическую цепочку:   

  • Подготовка и стимуляция: нейросеть фиксирует применение стаканчика с раствором «до дойки» и обязательное сдоивание первых трех струй в тару (для выявления сгустков).   
  • Очистка: контроль того, чтобы оператор использовал строго одну индивидуальную салфетку для каждой коровы.   Контроль тайминга: алгоритм замеряет критически важный интервал — подключение аппарата должно произойти в окне от 45 до 90 секунд (оптимально — ровно 60 секунд) от начала стимулирования.  
  • Финализация: фиксация снятия аппарата и последующей обработки йодом, где алгоритму нужно «увидеть» погружение соска в раствор минимум на 70%.   
Аппаратные вызовы: 

Зафиксировать такую мелкую моторику в условиях доильного зала — отдельная инженерная задача. В своих проектах мы используем влагозащищенную оптику (IP67, 1080p, 30 FPS) и прорабатываем разные ракурсы монтажа.

Стационарные низкоракурсные камеры, установленные в отбортовке, дают отличный обзор вымени, но подвержены постоянному загрязнению. Поэтому в качестве альтернатив тестируются нагрудные камеры на самих операторах (обзор от первого лица) или боковые стационарные камеры, перекрывающие сразу несколько мест доения. Алгоритм собирает эти данные и формирует для зоотехника объективную сводку нарушений по каждой смене.

Выявление половой охоты у коров

Экономика любого молочного комплекса привязана к циклам воспроизводства. Окно "охоты" (эструса) длится недолго — в среднем от 8 до 18 часов. Оптимальное время для осеменения зоотехники рассчитывают по правилу "AM–PM": если признаки обнаружены утром, процедуру проводят вечером, и наоборот. Ошибка или пропуск этого узкого окна обходится ферме дорого, так как означает потерю полного 21-дневного цикла до следующей попытки. На практике, полагаясь только на визуальный осмотр, персонал пропускает до половины случаев, особенно если пик активности приходится на ночное время или у коровы протекает "тихая охота". 

Проектируя пилотные решения для этой задачи, мы исходим из того, что готовой "волшебной кнопки" не существует. Мы настраиваем систему компьютерного зрения на непрерывный сбор и анализ сложного комплекса поведенческих метрик конкретного стада.   

Архитектура нашего решения выглядит так:

  1. Организация наблюдения: в загонах мы разворачиваем оптическую базу — 1–2 камеры на секцию с углом обзора 120° и обязательной ИК-подсветкой для ночной работы. Чтобы минимизировать перекрытия (слепые зоны) и охватить всё пространство, камеры монтируются на высоте 3–5 метров под углом 35–45 градусов.  
  2. Поиск ключевого паттерна: золотой стандарт, которому мы обучаем нейросеть — детекция "стойки под садку". Это момент, когда корова замирает и позволяет другим особям стада запрыгивать на себя, не пытаясь уйти.  
  3. Анализ вторичных признаков: алгоритм параллельно трекает дополнительные аномалии: резкие всплески двигательной активности, бесцельное перемещение, обнюхивание сородичей, а также фиксацию специфических поз, таких как выгнутая спина и поднятый хвост.

Логика системы выстроена так, чтобы не "засыпать" персонал ложными срабатываниями от случайных движений. Только при совпадении временных паттернов (когда нейросеть видит комплексную картину) алгоритм идентифицирует животное и генерирует целевой алерт зоотехнику. К уведомлению прикрепляется собранный видеофрагмент длительностью от 5 минут, на котором четко размечена аномальная активность, и ставится точный таймкод начала события. Имея на руках эти оцифрованные данные, специалист может безошибочно применить правило "AM–PM" и провести осеменение с максимальной вероятностью успеха.

как применяется ИИ в сх.jpg

Неинвазивное взвешивание и контроль кормового стола

Регулярный контроль массы КРС — это базовая метрика для оценки эффективности рациона и расчета привесов.

Однако на практике (и это классическая боль, с которой к нам приходят руководители агрокомплексов) физический сгон животных на механические весы оборачивается сильным стрессом. После такой процедуры коровы несколько дней хуже едят и дольше восстанавливаются, что напрямую бьет по их продуктивности.   

Поэтому в таких решениях мы уходим от принудительной фиксации и встраиваем процесс измерений в естественную рутину стада:

  • Трехмерное сканирование (Лидары): вместо обычных камер над узкими проходами, поилками или кормовыми столами мы монтируем лазерные сканеры (лидары). В некоторых сценариях, чтобы не завешивать весь коровник датчиками, мы предлагаем устанавливать лидар на подвижную рельсовую систему, которая периодически проезжает над загоном. Устройство сканирует животное сверху, формируя высокоточное трехмерное облако точек, которое фиксирует ширину костяка, габариты и общий объем.   
  • Обучение ML-модели под заказчика: чтобы перевести пиксели и облака точек в килограммы, требуется калибровка на реальных данных фермы. Мы собираем первичный датасет, сопоставляя лидарные снимки с фактическими замерами веса (на весах или с помощью зоотехнической мерной ленты). На базе этих данных нейросеть учится высчитывать массу с погрешностью порядка 20–50 кг или оценивать индекс упитанности (BCS) по анатомическим точкам с шагом 0,25.
  • Комплексная идентификация: чтобы привязать полученный вес к конкретной особи, мы не полагаемся только на один метод. Система считывает штатную RFID-метку животного, а модуль компьютерного зрения дополнительно подтверждает личность визуально — анализируя уникальный рисунок пятен и геометрию точек спины.  

ии мониторинг расхода кормов.jpg

Мониторинг кормового стола

В процессе предпроектных аудитов мы часто расширяем функционал системы. Если сенсорная база (лидары) уже смонтирована над зоной кормления для взвешивания, логично использовать ее и для контроля кормов.   Алгоритм периодически сканирует кормовой стол, оценивая высоту и профиль наваленных куч. Зная среднюю плотность смеси, система вычисляет разницу в объеме до подхода животных и после. На выходе руководство фермы получает точный почасовой график фактического потребления. Это позволяет зоотехникам гибко управлять раздачей: вовремя пододвигать еду, корректировать рационы в реальном времени и не выбрасывать деньги на перерасход дорогих кормовых смесей.  

Кейсы NeuroCore в животноводстве:

Растениеводство и агротехника: от борьбы с борщевиком до точного подсчета урожая

Сельхозпроизводителю не нужны абстрактные нейросети — ему нужны практические показатели: сколько центнеров реально соберем, где пропустили сорняки, сколько сэкономим на химии и солярке. В растениеводстве искусственный интеллект решает прикладные задачи, избавляя агрономов и механизаторов от ручной рутины и работы "на глаз".

Рассмотрим самые востребованные сценарии ИИ в растениеводстве:

Автоматический подсчет плодов и контроль продукции

Одна из самых частых проблем в садоводстве, тепличных хозяйствах и на этапе логистики — невозможность быстро и точно оценить объем урожая. Ручной выборочный подсчет дает высокую погрешность, а погрешность в планировании ведет к убыткам.

  • Подсчет плодов на корню (в садах и теплицах): камеры, установленные на дронах, самоходных тележках или опрыскивателях, проезжают вдоль рядов и сканируют растения. Нейросеть детектирует томаты, огурцы или яблоки, отличая их даже в условиях частичного перекрытия листвой или плохой освещенности. Алгоритм оценивает количество, степень зрелости и калибр плодов, формируя прогноз урожайности за недели до сбора. Это позволяет агрокомплексу заранее спланировать контракты с ритейлом, закупку тары и привлечение сезонных рабочих.
  • Учет на конвейерах и фасовке: компьютерное зрение над сортировочной лентой считывает поток проходящей продукции (картофель, яблоки, лук) в реальном времени. Система ведет точный штучный и объемный учет, параллельно отбраковывая поврежденные или гнилые плоды. Это устраняет "человеческий фактор" на сортировке и дает руководству честные цифры выработки по каждой смене.

машинное зрение в растениеводстве.jpg

Детекция борщевика Сосновского и точечное уничтожение сорняков

Сплошное распыление гербицидов — это прямые переплаты за химию и отравление почвы. В 2025–2026 годах стандартной практикой в России стало точечное удаление сорной растительности с помощью компьютерного зрения.

  • Борьба с борщевиком Сосновского. В РФ детекция борщевика с помощью ИИ стала массовым рабочим сценарием для муниципальных служб и агрохолдингов. БПЛА производят аэрофотосъемку полей, просек и прилегающих территорий. Нейросеть, обученная на спектральных и визуальных признаках растения, с высокой точностью локализует очаги произрастания борщевика даже среди густого разнотравья на ранних стадиях вегетации. На основе этих данных система автоматически формирует геолокационную карту заражения для выездных бригад или беспилотников-опрыскивателей, что позволяет уничтожать сорняк точечно.
  • Умные опрыскиватели: оптические камеры на штанге трактора сканируют почву на скорости 15–20 км/ч. Нейросеть за миллисекунды отличает сорняк от культурного растения (например, подсолнечника или кукурузы) и даёт команду электромагнитному клапану. Форсунка "выстреливает" гербицидом строго по сорному растению. На полях со средней засоренностью такой подход сокращает расход химикатов на 70–80%.

Спутниковый мониторинг и цифровые карты-задания

Простое рассматривание "красно-зеленых" карт вегетации (NDVI) осталось в прошлом. Современные системы используют ИИ для автоматической генерации команд сельхозтехнике.

Алгоритмы переваривают спутниковые снимки, данные с дронов и датчиков влажности, выявляя аномалии: дефицит азота, локальную засуху или очаги заболевания. Система не просто подсвечивает проблему, а сразу формирует стандартный файл-задание (RX-карту) для бортового компьютера трактора. При выезде в поле разбрасыватель удобрений автоматических меняет дозировку на каждом квадратном метре, отдавая питательные вещества только туда, где они реально необходимы.

мониторинг сельхоз земель с помощью ИИ.jpg

Компьютерное зрение для автопилотов сельхозтехники

Обычный GPS-автопилот ведет комбайн по заданной траектории, но он "слеп" к реальной обстановке. Если в густой траве лежит камень, обвалился край валка или перед машиной появился человек — GPS не поможет.

Для перехода к реальной автономности техника оснащается комплексом сенсоров (камеры, радары, лидары), данные с которых объединяются алгоритмами Sensor Fusion. Компьютерное зрение распознает кромку неубранного поля, держит загон в междурядье и своевременно останавливает тяжелую машину перед препятствиями даже в условиях критической запыленности при уборке.

Кейс NeuroCore в агромашиностроении: сбор и разметка датасета для агротехники

Инженерные вызовы и специфика интеграции: столкновение алгоритмов с реальностью

Внедрение искусственного интеллекта на агропредприятии — это не запуск софта на серверной стойке, а адаптация чувствительной оптики и вычислителей к экстремальной физической среде. Проекты требуют проработки трех критических уровней инфраструктуры:

Агрессивная среда эксплуатации и защита оборудования

В коровниках электроника работает в условиях 100% влажности и постоянного присутствия аммиачной взвеси, которая быстро разъедает стандартные уплотнители и пластик. К этому добавляется риск физического воздействия: животные проявляют интерес к проводам и креплениям, что требует использования антивандальных кожухов и скрытой прокладки трасс. Базовым стандартом для оптики становится класс защиты IP67. В растениеводстве камеры на штангах опрыскивателей и тракторах подвергаются непрерывным микровибрациям, разрушающим стандартные фокусные механизмы, и жесткому ультрафиолету. Чтобы налипшая грязь или пыль не «ослепили» нейросеть и не исказили данные, проектируется интеграция гидрофобных стекол и автоматических систем пневмообдува линз.  

Слабая связность и локальные вычисления (Edge AI)

Одна камера с разрешением 1080p при 30 FPS генерирует гигабайты сырых данных ежедневно. Попытка транслировать этот поток в облако через нестабильный 3G/LTE модем в поле или слабый Wi-Fi железобетонного коровника физически невозможна.

Решением становится архитектура Edge AI (вычисления на границе сети). В гермошкафах рядом с камерами устанавливаются промышленные микрокомпьютеры с тензорными ядрами. Они локально переваривают тяжелый видеопоток, пропускают его через ML-модель и уничтожают исходник. Через узкий канал связи на центральный сервер уходит только "выжимка": легкий JSON-пакет с метаданными (например, "Корова №412, событие: охота, время: 04:15") и один сжатый стоун-кадр, подтверждающий инцидент.   

ии сельское хозяйство.jpg

Бесшовная интеграция с Legacy-системами

Алгоритм, который просто рисует цветные рамки (Bounding Boxes) в собственном отдельном интерфейсе — это еще не бизнес-инструмент. Зоотехники и агрономы не будут открывать десятый по счету дашборд. Ценность ИИ раскрывается только при двусторонней интеграции по API в существующие системы управления предприятием (Селэкс, DairyComp, М-Комплекс). 

Если лидар вычислил объем съеденного корма или массу животного, эта цифра должна автоматически обновить соответствующую карточку в ERP. На практике это требует глубокого погружения в IT-ландшафт фермы, включая синхронизацию алгоритмов с устаревшим аналоговым весовым оборудованием или контроллерами доильных аппаратов. 

Искусственный интеллект должен работать как невидимый, но абсолютно точный поставщик данных для привычных систем принятия решений.

как применяется искусственный интеллект в животноводстве.jpg

Резюме

Машинное зрение и искусственный интеллект в сельском хозяйстве окончательно вышли из стадии технологических пилотов. В условиях кадрового голода и непрерывного укрупнения агрохолдингов отрасль столкнулась с физическим пределом ручного управления. Невозможно контролировать ферму на несколько тысяч голов или десятки тысяч гектаров пашни, опираясь исключительно на внимательность механизаторов и визуальную память зоотехников. 

Оцифровка биологических процессов дает прямой и измеримый финансовый результат, алгоритмический контроль доения устраняет человеческий фактор, напрямую влияющий на сортность молока и здоровье вымени.

Детекция половой охоты машинным зрением закрывает бреши в воспроизводственном цикле, где каждый пропущенный день оборачивается скрытыми убытками. Переход на неинвазивное лидарное взвешивание избавляет животных от стресса и падения привесов. 

В растениеводстве оптические системы автопилотов и умного опрыскивания экономят предприятиям десятки миллионов рублей на агрохимии и ГСМ. 

Итоговая ценность ИИ для агробизнеса — это абсолютная прозрачность каждого этапа, предсказуемость урожая и надоев, а также критическая независимость от квалификации и мотивации линейного персонала.   

Команда NeuroCore специализируется на разработке и интеграции промышленных систем машинного зрения под уникальные технологические карты агропредприятий. Мы не предлагаем компромиссные "коробочные" решения. Наш профиль — создание устойчивой архитектуры, которая безотказно работает в агрессивной среде (IP67, пыль, влажность), производит вычисления локально (Edge AI) без привязки к стабильному интернету и бесшовно передает готовую аналитику напрямую в ваши ERP-системы или программы управления стадом.

Если вы ищете решения, как перевести управление производством на алгоритмический контур, нпишите нам для обсуждения вашей бизнес-задачи:

 Оставить заявку в форме ниже |  Написать нам в ТГ

Читайте так же

NeuroCore · ИИ для бизнеса

Есть задача для ИИ?

Планируете внедрение ИИ, разработку модели или подготовку данных? Расскажите о задаче — обсудим возможные подходы, исходные условия и первый этап проекта.

Обсудить ваш проект

О вашей задаче (по желанию)

Первое обращение — без готового ТЗ