Вопрос актуальности использования новых технологий в сельском хозяйстве снимается не только количеством публикаций и исследованиях эту тему, но и статистическими данными – в аналитическом сборнике Индикаторы цифровой экономики: 2026 (ВШЭ) подготовленного совместно ВШЭ и Минцифры, показано, что технологии обработки визуальных данных активно внедряются в аграрный сектор, открывая новые возможности для повышения эффективности и устойчивости сельскохозяйственного производства. Наиболее часто технологии интернета вещей и компьютерного зрения используются для целей отслеживания передвижения транспорта, автоматизации производства, сбора информации о продукте.
Согласно данным за 2024 год: 40,8% сельскохозяйственных организаций, использующих технологии искусственного интеллекта, применяют обработку визуальных данных, включая компьютерное зрение; 1,8% всех крупных и средних организаций сельского хозяйства используют технологии искусственного интеллекта; 69,0% студентов, обучающихся по профилю «Искусственный интеллект», осваивают технологии обработки визуальных данных. Эти цифры демонстрируют начальный этап внедрения компьютерного зрения в сельское хозяйство с перспективой быстрого роста.
На данный момент технологии компьютерного зрения чаще всего используются для мониторинга состояния культур, точного земледелия, автоматизации процессов и управления ресурсами.
В развитие темы повышения эффективности производственных процессов в сельском хозяйстве было проведено исследование «Система компьютерного зрения для задач минсельхоза Краснодарского края», проведенное под научным руководством к.т.н. Андриянова Никиты Андреевича, Доцента Кафедры искусственного интеллекта Факультета информационных технологий и анализа больших данных Финансового университета.
Задача, стоявшая перед исследовательской группой, - повысить эффективность системы мероприятий по защите культур путем предупреждающего нахождения потенциально заболевающих и умирающих растений. В результате была разработана система трекинга движения каждого единичного ростка в умной теплице с анализом изменения координат в течение времени с помощью системы компьютерного зрения. Точность разработки составила порядка 75-80% для наполняемости теплицы до 3-4 сотен ростков.
Разработанная модель машинного обучения для выявления аномального движения искала ростки с отклонением от нормы, - те, которые больше всего не похожи на все остальные (более низкие, с меньшим количеством листвы и пр.). Сложность заключалась в том, что такую задачу ранее никто не решал, соответственно, правильных ответов для сверки у команды не было. Кроме этого, аномалии могут быть нескольких типов – как единичные, так и у целой группы растений, что также требует повышенного внимания системы.
Доцент Кафедры бизнес-информатики Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве РФ Башкирова Ольга Владимировна отметила: «Преимущества предложенного решения способствуют повышению урожайности, снижению издержек, повышению качества производимой продукции; в целом, ведут к повышению экологичности производственного процесса, что важно в рамках продвижения стратегий устойчивого маркетинга отечественных производств на национальном и зарубежных рынках, а новые вызовы являются стимулом качественного и количественного развития разработок в данном направлении».
Перспективы использования инноваций будет заключаться, в первую очередь, в гибридизации технологий – совместном их использовании для достижения синергического эффекта в цифровой трансформации сельскохозяйственного бизнеса.