ARGUS: полуавтономная платформа компьютерного зрения для цифрового сельского хозяйства

В России

1. Обширные сельскохозяйственные угодья и вертикальная интеграция – Сельхозземли в России в 5–6 раз дешевле, чем в Европе или США, что делает их доступным ресурсом для агротехнологий.

Ресурс: https://farmonaut.com/europe/russian-farmland-agriculture-russia-2025-trends

2. Поддержка со стороны государства и стимулирование экспорта – В 2024 году на поддержку АПК выделено более 650 млрд рублей, включая субсидии и помощь производителям.

Ресурс: https://www.allaboutfeed.net/market/market-trends/russia-to-scale-down-state-aid-for-agriculture

3. Подтвержденный местный успех – Стартапы активно внедряются и могут масштабироваться глобально. Например, Agro.Club создаёт цифровую экосистему, объединяя участников аграрной цепочки в России для повышения эффективности.

Ресурс:  https://tracxn.com/d/companies/agro.club/__TsK7UVeDPwR8KRc7-pnoL1UyFfNcX9Iz-S3TOxvw4Nw

4. Высокий эффект за счёт цифровой прозрачности – например, Agro.Club помогает отслеживать цены на зерно, управлять логистикой, торговать, получать доступ к ресурсам, смотреть прогнозы погоды и обмениваться лучшими практиками, повышая прозрачность цепочки поставок.

Ресурс: https://agro.club/us

5. Развивающаяся экосистема стартапов – Российские корпорации обязаны вкладывать часть выручки в НИОКР и сотрудничать со стартапами, реализуя инновационные программы.

В Южной Африке

1. Быстрорастущий рынок умного земледелия – Фермеры внедряют дроны, интернет вещей (IoT) и искусственный интеллект для повышения производительности и устойчивости к климатическим изменениям.

Ресурс:https://arxiv.org/abs/2108.10081

2. Подтверждённое влияние умного земледелия – Мелкие фермеры в Африке сообщают о росте урожайности до 70 % и увеличении совокупного дохода на 40 % после запуска проектов цифрового земледелия.

Ресурс:https://www.regenz.co.za/resources/smallholder-farms-in-south-african-agriculture

3. Разнообразная экосистема – Платформы, такие как Khula и AgriKool, решают проблемы доступа к рынкам, водоснабжения и финансирования.

Ресурс:https://msmeafricaonline.com/south-african-agri-tech-startup-khula-secures-6-8m-to-expand-digital-farming-platform/

4. Возможности дронов – Рынок сельскохозяйственных дронов оценивается в 1 млрд рублей в 2024 году и, как ожидается, утроится к 2030 году.

Ресурс:https://greencape.co.za/wp-content/uploads/2025/04/Agtech-Market-Brief_DIGITAL.pdf

5. Потенциал на ранней стадии – Сектору по-прежнему не хватает капитала, научных исследований и осведомлённости, что оставляет большой простор для стартапов.

Ресурс:https://www.adama.com/south-africa/en/innovation/south-african-agritech-solutions

1. Проблемы здоровья растений и фитопатологии

Ручной способ обнаружения фитопатологии и воздействия вредителей в тепличных и открытых комплексах показало низкую эффективность: процесс требует ежедневного привлечения большого количества малоквалифицированного и слабо мотивированного персонала для визуального осмотра растений. Более того, выявление ранней стадии фитопатологий зачастую затруднено, невозможно с использованием традиционных методов

2. Неточное прогнозирование урожайности

Отсутствие автоматизации в подсчете и прогнозировании урожайности повышает неопределенность в производстве и операциях. Ручной учёт урожайности требует много времени, подвержен ошибкам и не позволяет своевременно корректировать бизнес-процессы — от сбора и хранения до логистики и ценообразования.

3. Отсутствие контроля

Невозможно в режиме реального времени контролировать всю производственную площадь с использованием традиционных методов, поскольку сельскохозяйственные объекты имеют большую площадь. Недостаток информации и задержка с получением информации о проблемах приводят к значительным потерям и снижению уровня контроля на объектах, что ведет к дополнительным расходам и убыткам для бизнеса.

1. Высокое потребление воды

Отсутствие точной диагностики состояния растений и почвы — таких как уровень влажности и показатели стресса — затрудняет точное применение полива и внесения удобрений. Это часто приводит к неоправданному расходу ресурсов и дополнительно нагружает и без того ограниченные водные запасы — особенно остро эта проблема стоит в засушливых регионах Южной Африки

2. Высокая нагрузка пестицидов

Эта задержка с выявлением часто приводит к необходимости более масштабной и интенсивной обработки пестицидами, увеличивая химическую нагрузку на окружающую среду.

3. Долгосрочный экологический мониторинг

SAEON собирает климатические данные, но отсутствуют данные экологического мониторинга на уровне полей, что ограничивает локальные решения в реальном времени.

4. Мониторинг и адаптация к изменению климата

Отсутствие интеграции между данными о погоде, наземными датчиками и инструментами принятия решений затрудняет формирование точных прогнозов урожайности, рисков засухи или угроз заболеваний.

Высокая трудоёмкость:

• Ежедневные осмотры требуют привлечения большого количества агрономов и рабочей силы.
• При этом охватываются лишь отдельные участки полей.

Риски пропуска очагов инфекции:

• Некоторые заболевания развиваются стремительно — в течение 24 часов..
• Запоздалое выявление приводит к мгновенному распространению инфекции и значительным потерям урожая.

​

12 камер для анализа состояния плодов, листьев и стеблей

12 камер позволяют сканировать ряд в двух направлениях по всей высоте куста одновременно.

Светодиодное освещение для точной съёмки в любых условиях — в помещении и на улице.

Обеспечивает сбор данных при любом освещении. Кроме того, высокочастотное освещение гарантирует высокое качество распознавания.

Перемещение вдоль рядов теплицы / открытого грунта по направляющим рельсам

Автоматическое сканирование рядов с томатами, виноградом и другими культурами. Перемещение между рядами — вручную, что упрощает процесс разработки прототипа.

Предотвращение столкновения с препятствиями

Установленные датчики обеспечивают безопасность в случае появления человека на пути движения платформы.

Использование платформы для теплицы или гольф-кара для открытого грунта

Упрощает интеграцию в инфраструктуру теплиц и открытых полей. Гольф-кар — готовая платформа, не требующая сертификации и подходящая для производственных условий.

Выявление отклонений в состоянии растений

Сегментация листьев, плодов и стеблей и выявление отклонений от нормы. Классификация конкретных видов заболеваний будет добавлена на следующих этапах разработки.

Корреляция с данными о микроклимате

Интеграция с системой Priva для выявления взаимосвязей между данными о микроклимате и возникновением фитопатологий. Последующая генерация предположений о возможных причинах и рекомендаций по их устранению.

Визуализация зон риска

Создание тепловой карты (heatmap) с выделением аномалий. Ведение истории заболеваний для отслеживания распространения и выявления проблемных зон. Хранение данных в течение года охватывает полный 10-месячный производственный цикл и позволяет проводить экологический анализ, а также оценивать влияние климатических условий.

Оповещение о критических фитопатологиях

Оповещения по электронной почте, мессенджерам или через CRM-систему позволят оперативно реагировать на критические случаи.

Отслеживание выполнения задач по устранению заболеваний

Единый сервис для постановки задач и контроля их выполнения позволит вести цифровой учёт мероприятий по борьбе с заболеваниями в теплице.

• Уведомление о выявлении патологии

• Просмотр всего тепличного или открытого грунтового комплекса на одном экране

• Анализ возможных причин заболеваний

• История заболеваний

• Мониторинг деятельности персонала

​

• Цифровизация процесса роста растений

• Сбор больших массивов данных о здоровых и пораженных растениях данного сорта

• Выявление патологий на ранних стадиях

• Анализ растений за пределами видимого спектра

• Работа, согласованная с графиком персонала (не нарушает производственные процессы)

• Сбор и объединение данных на всех этапах производственного цикла

Гиперспектральная камера + система ИИ

Выявление отклонений в состоянии растений

Сегментация листьев, плодов и стеблей, а также выявление отклонений от нормы. Классификация конкретных видов заболеваний будет добавлена в будущем

Научная основа

Разработанное решение основано на систематическом и масштабном сборе данных, что позволяет выявить характер и причины патологий.

Интеллектуальный анализ спектров отражения растений

Детальный анализ изменений формы спектров отражения. Эта технология использует ближний и средний ИК диапазон для своевременного выявления динамических изменений молекулярного состояния в ходе развития заболеваний, что позволяет принимать надежные 
профилактические меры.

​

​

Проблема

Отсутствие автом​атизации подсчета урожая и прогнозирования его объемов

• Ручной учет урожая: повышенные трудозатраты и риск ошибок
• Невозможность оперативно корректировать бизнес-процессы

Риски

• Задержки в логистике и несвоевременная доставка продукции
• Ограничения в ценообразовании из-за неточных данных

Бизнес-последствия:

Риск чрезмерного расхода или нехватки продукции.

Использование стандартных камер

Использование платформы из теплицы / открытого грунта

Отсутствие 3D-камер для определения объема снижает стоимость платформы.
При этом остается возможность подсчета количества плодов и оценки их примерного объема

Решение работает на устройствах направления № 1 для выявления фитопатологий.

Определение степени зрелости плодов

Прогнозирование урожайности

Анализ степени зрелости каждого плода позволяет прогнозировать объем будущего урожая.

Для каждого плода будет рассчитываться класс зрелости. Он определит, на какой из 8 стадий находится томат / плод. Эта информация в дальнейшем будет использоваться для оценки оставшегося времени созревания.