В этой статье Вы узнаете, как ортомозаичное картирование с использованием ИИ объединяет снимки с БПЛА, глубокое обучение, результаты ГИС и точное опрыскивание для составления карты распространения инвазивных растений.
Проблемы с инвазивными растениями возникают еще до того, как становятся проблемами, требующими обработки. Команде по борьбе с инвазивными растениями необходимо знать не только, какой вид присутствует, но и где он встречается, насколько широко распространился и как эти участки можно преобразовать в зоны обработки, не затрагивая остальную часть поля или природного объекта. Ортомозаичное картирование с поддержкой ИИ связывает эти этапы: оно преобразует аэрофотоснимки в геопривязанные данные об обнаружении растений, слои распределения и оперативные ГИС-результаты.
В этой статье описывается технический процесс, начиная от захвата изображений с БПЛА и создания ортомозаики и заканчивая выводом данных с помощью глубокого обучения, методами улучшения моделей, картированием распространения на основе ГИС и точечным применением с использованием дронов. Также рассматривается, как наша компания применяет облачные вычисления, компьютерное зрение, геопространственную визуализацию и специализированное развертывание ИИ для борьбы с сорняками и инвазивными растениями.
Ортомозаичные рабочие процессы для обнаружения
Изображения, полученные с помощью БПЛА, в послеполетном картографировании
Беспилотные летательные аппараты (БПЛА) обеспечивают получение изображений высокого разрешения, которые могут использоваться для картирования видов растений на сельскохозяйственных и экологически чувствительных территориях. В исследовании водно-болотных угодий, посвященном инвазивным видам черники, изображения, полученные с БПЛА, были объединены в ортомозаики и проанализированы с помощью ГИС и методов глубокого обучения для картирования местоположения растений, их распространения, разрастания, высоты и площади кустарников. Это демонстрирует ценность ортомозаик как пространственно непрерывного базового слоя для оценки инвазивных видов.
Обработка ортомозаик после полета остается центральным элементом многих рабочих процессов обнаружения растений с помощью дронов. Джеймс и Брэдшоу отмечают, что большинство исследований по обнаружению растений сосредоточены на обработке ортомозаик после полета, хотя в реальных условиях также требуются алгоритмы, которые учитывают изменяющиеся условия окружающей среды. Ортомозаики полезны, поскольку они обеспечивают выровненное по карте представление обследованной территории, позволяя связать обнаруженные растения с границами полей, единицами управления и последующим ГИС-анализом.
Процесс картирования также может быть разработан с учетом практической структуры операции по обработке. В рамках проекта по борьбе с водно-болотными угодьями в Висконсине участок площадью около 1400 акров, предназначенный для обработки тростником Phragmites, был обследован с воздуха и нанесен на карту до начала обработки, что позволило выявить пораженные участки и отметить их для точечной обработки. Обследование и картирование проводились по участкам, чтобы упростить последующее опрыскивание. Это иллюстрирует оперативный принцип: сбор изображений и создание карт должны планироваться с учетом последующей логистики обработки.
Маркировка и обучение коллекций изображений
Обнаружение с помощью глубокого обучения зависит от размеченных примеров, представляющих целевой класс и условия съемки, ожидаемые во время вывода. Рабочий процесс классификации растений в ArcGIS Pro создает мозаичный набор данных из нескольких изображений, размечает изображения с помощью инструмента «Разметка объектов для глубокого обучения», экспортирует обучающие данные и обучает модель глубокого обучения на основе размеченной коллекции. Рабочий процесс разработан для классификации, где пиксели каждого изображения необходимы во время обучения.
Подготовка обучающих данных включает в себя выбор параметров, влияющих как на модель, так и на пространственную интерпретацию ее результатов. В примере с ArcGIS Pro фрагменты изображений экспортируются в пиксельном пространстве, поскольку изображения, используемые для классификации, не содержат пространственной информации. Выбранный формат метаданных — «Помеченные фрагменты», а в конфигурации экспорта обучающих данных используется обрезка по ограничивающей рамке. Эти настройки устанавливают структурированный путь от сбора изображений до обучаемых образцов.
Для рабочих процессов с использованием дронов, начинающихся с наклонных изображений, разметка и обучение модели также могут выполняться в пиксельном пространстве. В рабочем процессе обнаружения объектов Esri используется панель «Разметка объектов для глубокого обучения» с параметрами «Сбор изображений» и «Пиксельное пространство», после чего происходит экспорт обучающих фрагментов в пиксельном пространстве и обучение модели с последующим определением модели, которое записывает данные. Это актуально, когда исходное изображение с дрона содержит детали объектов, которые могут стать менее заметными после ортокоррекции.
Глубинное обучение для классификации растений
Обнаружение объектов на ортофотоснимках
Глубокое обучение может идентифицировать растения на изображениях, но подходящее пространство для вывода зависит от изображения и цели обнаружения. Ортоизображения часто используются для обнаружения объектов, однако они могут уменьшать видимую детализацию объектов: некоторые особенности могут отображаться только в виде точек или кругов, а растительность может заслонять объекты при просмотре сверху. Наклонные изображения, полученные с помощью дронов, в некоторых ситуациях могут сохранять больше визуальных деталей для распознавания объектов.
Рабочий процесс преобразования пиксельного пространства в картографическое пространство решает эту проблему. В подходе Esri сначала создаются объекты обнаружения в исходном пиксельном пространстве изображений, полученных с дронов, а затем они преобразуются в картографическое пространство с использованием информации о кадрах изображения и камере, содержащейся в коллекции ортокорректированных изображений. Необходимая коллекция изображений включает информацию о камере, такую как фокусное расстояние и характеристики сенсора; точность GPS также считается важной, если она доступна.
Рабочий процесс требует расчета ориентации отдельных изображений с помощью блочной корректировки. При наличии могут быть включены опорные точки и точки привязки, а также может быть вычислена карта глубины для повышения точности обнаружения и преобразования. Затем обработка потенциальных объектов может ограничить количество дублирующихся изображений путем идентификации изображений, которые наилучшим образом представляют мозаичную область. В результате процесс связывает детальное обнаружение в пространстве изображений с отображенными геометрическими объектами, подходящими для пространственного анализа.
Вывод на основе пикселей и карт
Классификация на уровне пикселей и вывод объектов на уровне карты решают разные задачи картографирования. В обучающем материале по высокоточному отображению землепользования ArcGIS Pro применяет инструмент «Классификация пикселей с использованием глубокого обучения» к ортомозаике и генерирует выходной растровый файл с данными о землепользовании. В качестве входного примера используется истинное ортофотоснимок, полученный из нескольких изображений, снятых с дронов, и опубликованный в виде сервиса тайлов изображений. Такой подход подходит, когда требуемый результат — это классифицированная поверхность, а не отдельные объекты.
Обработка изображений высокого разрешения, полученных с помощью дронов, также требует внимания к разрешению модели и вычислительным ограничениям. В примере ArcGIS размер пикселя на местности на изображении с дрона составляет приблизительно 2,5 на 2,5 сантиметра, тогда как используемая предварительно обученная модель землепользования была обучена для изображений с разрешением от 80 до 100 сантиметров. Поэтому в руководстве используется размер ячейки 0,9 метра во время вывода, поскольку обработка исходного разрешения 2,5 сантиметра создала бы гораздо большее количество пикселей и увеличила бы время обработки; кроме того, исходное разрешение могло бы быть чрезмерно детализированным для ожидаемого масштаба объектов модели.
Еще одним операционным ограничением является разбиение изображения на фрагменты. Классификация пикселей не обрабатывает все изображение одновременно; она разбивает растр на фрагменты в соответствии с заданным размером фрагмента. Размер пакета определяет, сколько фрагментов обрабатывается одновременно, и уменьшение размера пакета может решить проблему нехватки памяти. Эти практические настройки важны, поскольку ортомозаичное отображение — это не только задача классификации, но и рабочий процесс обработки данных.
Улучшение производительности модели
Перенос обучения и тонкая настройка модели
Перенос обучения может улучшить обнаружение инвазивных растений, если модель адаптирована к целевым изображениям и видам. В исследовании инвазивной черники в водно-болотных угодьях сети глубокого обучения, использующие перенос обучения с незамороженными весами, автоматически обнаружили кусты черники с показателем истинно положительных результатов 93,83% и общей точностью 98,83%. В исследовании также сообщается о значении коэффициента Дайса 0,624 после уточнения масок результатов.
Тонкую настройку следует рассматривать как контролируемую реакцию на поведение модели, а не как автоматическую замену репрезентативных обучающих данных. В рабочем процессе ArcGIS Pro для видов растений инструмент «Обучение модели глубокого обучения» настроен на остановку, когда улучшение перестает наблюдаться, в то время как параметр «Заморозить модель» можно оставить отключенным, чтобы разрешить дальнейшее обучение, когда производительность модели нуждается в улучшении. Это поддерживает итеративное уточнение обученной модели.
Предварительно обученные модели могут сократить время и усилия, необходимые для начала работы над картографированием, но разрешение изображений, для которых они предназначены, остается важным. ArcGIS описывает свой пакет High Resolution Land Cover Classification как обученный на большом наборе данных и предназначенный для точной классификации объектов землепользования; его использование позволяет избежать обучения новой модели с нуля. Однако в руководстве прямо отмечается, что модель лучше всего работает с изображениями с разрешением от 80 сантиметров до 1 метра. Поэтому повторное использование модели должно сочетаться с подготовкой входных данных, соответствующей условиям работы модели.
Стратегии взвешивания при увеличении и уменьшении веса
Обучающие данные должны отражать изменчивость, с которой модель столкнется в полевых условиях. Джеймс и Брэдшоу обнаружили, что добавление вариаций яркости в качестве аугментации обучающих данных улучшило показатель F1-меры на 27% на неизвестном тестовом наборе. Этот результат особенно актуален для изображений, полученных с помощью дронов, поскольку полевые изображения могут меняться в зависимости от освещения и других условий окружающей среды.
В том же исследовании была протестирована стратегия потерь на основе карты весов для решения проблемы неопределенности в масках аннотаций, вызванной нечеткими границами целевых растений. При оптимальной конфигурации гиперпараметров этот подход к взвешиванию повысил точность на 15%, в результате чего была получена модель с показателем F1-меры 83% и точностью 96%. Исследование также продемонстрировало, что коммерчески доступный дрон, интегрированный с моделью глубокого обучения, может обнаруживать инвазивные растения в полевых условиях.
В отдельном исследовании картирования широколистного перца в сложной прибрежной среде сравнивались модели Random Forest, XGBoost и Support Vector Machine с моделью глубокого обучения U-Net. Модель U-Net превзошла оцененные классические модели машинного обучения, достигнув точности 83%, полноты 81% и F1-меры 82% как во время обучения, так и во время валидации. На отдельном тестовом наборе данных она достигла точности 86%, полноты 76%, F1-меры 81% и пересечения с объединением 68%. Методология исследования интегрировала мультиспектральные данные и индексы растительности с подходами к извлечению признаков.
Составление карты распространения инвазивных видов
Результаты ГИС-анализа для определения местоположения и распространения.
Обнаружение растений становится оперативно полезным, когда оно представлено в географическом пространстве. В рамках исследования инвазивных видов черники на болотистых участках использовались ортомозаики, полученные с помощью БПЛА, ГИС, компьютерное зрение, вычислительная топология и глубокое обучение для создания карт местоположения, распространения и масштабов распространения для каждого исследуемого участка. Этот же метод позволил получить информацию о высоте и площади кустов, предоставляя руководителям пространственные характеристики, выходящие за рамки простого наличия или отсутствия.
Для обнаружения объектов на изображениях, полученных с дронов, пространство карты представляет собой среду координатной привязки, где полученные геометрические объекты могут использоваться в качестве картографических характеристик. Когда обнаруженные объекты генерируются в пиксельном пространстве и преобразуются с использованием информации с камеры и кадра, выходные данные становятся пригодными для анализа на основе карт и пространственного планирования. Это мост между прогнозами компьютерного зрения и управленческими решениями.
Результаты классификации видов также могут включать значения достоверности. В примере с видами растений в ArcGIS Pro выходной класс объектов содержит метку класса, достоверность классификации, местоположение изображения и идентификатор источника. Атрибуты достоверности помогают отличить результат классификации, отображенный на карте, от базовой достоверности, сообщаемой моделью.
Плотность, площадь и зоны обработки
Карты распространения можно преобразовать в зоны обработки, если пространственно определена схема распространения вредителя. В рамках проекта по борьбе с тростником обыкновенным в Висконсине использовалось аэрофотосъемка для обнаружения и маркировки очагов инвазивного вида, а затем эти нанесенные на карту зоны обработки были перенесены на беспилотный летательный аппарат DJI AGRAS MG-1 для опрыскивания. Площадь обрабатываемых участков варьировалась от 0,1 до 10 акров.
Проект также демонстрирует, как картографирование может сократить объем ручной полевой работы. Агроном, участвовавший в проекте, сообщил, что за 2,5 дня с помощью дронов и Pix4Dfields ему удалось составить карту 2000 акров, после того как ранее в течение трех месяцев он вручную картировал ту же площадь с помощью портативного GPS-навигатора. В проекте было использовано около 13 000 изображений и примерно 12 часов непрерывного полета. Эти цифры отражают результаты одного задокументированного проекта, а не являются универсальным эталоном, но они показывают, почему картографирование имеет важное значение для больших и труднодоступных водно-болотных угодий.
Пространственное планирование обработки может способствовать более избирательному применению химикатов. В случае с тростником обыкновенным (Phragmites) зоны обработки были созданы вокруг пораженных участков, экспортированы в виде шейп-файлов и отправлены оператору дрона-опрыскивателя. Оператор сообщил, что картирование и обработка только тростника обыкновенного позволили сократить расход химикатов и минимизировать воздействие на нецелевые растения.
Оперативное картографирование и опрыскивание с помощью дронов.
От нанесения на карту территорий до точечного применения.
Картирование с помощью дронов и их применение образуют взаимосвязанный рабочий процесс, когда границы обработки переносятся непосредственно из ГИС-анализа на полевое оборудование. В задокументированном проекте в Висконсине очаги тростника было легче распознать на аэрофотоснимках во время посева растений. После идентификации и маркировки точечные обработанные участки экспортировались на дрон-распылитель в виде цифровой карты.
Расширенная визуализация слоев картографической платформы использовалась для идентификации и картирования тростника обыкновенного (Phragmites), а участник проекта сообщил об использовании индекса хлорофилла листьев для выделения инвазивного вида травы. Затем были созданы зоны вокруг участков, требующих обработки. Эта последовательность иллюстрирует, как можно объединить интерпретацию изображений, разграничение и планирование обработки без единообразной обработки всего участка.
Точечное опрыскивание особенно актуально в местах, где инвазивные растения произрастают пятнами, а окружающая растительность должна оставаться необработанной. В ходе описанной операции оператор дрона получил шейп-файлы, и указанный гербицид был загружен перед использованием дрона для опрыскивания отмеченных участков с тростником Phragmites. Заявленный результат заключался в точном нанесении препарата на обозначенные участки, а не в широкой обработке всего водно-болотного угодья.
Шейп-файлы для высокоточных процессов распыления
Шейп-файлы — это практичный формат обмена данными, позволяющий передавать границы обрабатываемых территорий из картографического программного обеспечения на полевую технику. В случае с тростником обыкновенным требование к картографированию явно включало создание шейп-файлов для использования с дроном-опрыскивателем AGRAS. Это позволило напрямую интегрировать геометрию зараженной территории в рабочий процесс обработки.
В том же проекте использовался летательный аппарат senseFly eBee SQ, оснащенный мультиспектральной камерой Parrot Sequoia для сбора изображений. Облет территории проводился по частям, изображения обрабатывались для создания карт, а зоны обработки экспортировались в виде шейп-файлов. Рабочий процесс показывает, что шейп-файл может служить связующим звеном между интерпретацией данных дистанционного зондирования и локальным опрыскиванием.
Более широкая ценность такого подхода заключается в применении обработки там, где это необходимо, согласно имеющимся данным. Команда проекта сообщила, что такой точный подход помог оставить незатронутыми нецелевые участки, одновременно максимально эффективно обрабатывая тростник обыкновенный в государственном заповеднике. В борьбе с инвазивными растениями именно такая пространственная избирательность является основной причиной для сочетания ортомозаичного анализа с точным применением обработки.
Рабочие процессы GeoAI в ArcGIS Pro
Извлечение растительного покрова из ортофотопланов, сделанных дронами
В ArcGIS Pro рабочие процессы GeoAI поддерживают классификацию ортомозаичных изображений в результаты классификации землепользования. Учебное пособие по классификации землепользования высокого разрешения начинается с создания настоящей ортомозаики из нескольких снимков, полученных с дронов, а затем применяется предварительно обученный пакет глубокого обучения с помощью инструмента геообработки «Классификация пикселей с использованием глубокого обучения». Результатом является растровый набор данных, представляющий классифицированное землепользование.
Этот тип алгоритма классификации пикселей отличается от алгоритма обнаружения объектов. Он присваивает растровой поверхности метки по классам, в то время как алгоритмы обнаружения объектов создают дискретные геометрические объекты для обнаруженных целей. Оба варианта могут способствовать картированию инвазивных растений, в зависимости от того, является ли аналитической целью определение сплошного растительного покрова или обнаружение отдельных растений или участков.
При выборе параметров для вывода результатов следует учитывать взаимосвязь между исходными изображениями, целевыми объектами, разрешением обучения модели и возможностями оборудования. В ArcGIS Pro размер тайла и размер пакета определяют способ разбиения и обработки изображения, а размер ячейки можно настроить для выравнивания изображения с ожидаемым разрешением модели. Эти параметры позволяют эффективно управлять анализом ортомозаик высокого разрешения.
Предварительно обученные модели для изображений высокого разрешения
Предварительно обученные модели глубокого обучения предлагают отправную точку для извлечения информации о землепользовании, поскольку они содержат информацию, полученную из исходных обучающих данных. В примере ArcGIS, посвященном землепользованию, это описывается как способ использования знаний, заложенных в существующей модели, и сокращения усилий, необходимых для обучения новой модели. Тем не менее, модель все равно должна быть оценена на основе данных изображений и задачи классификации.
Для идентификации видов ArcGIS Pro предоставляет отдельный рабочий процесс, который обучает модель на основе размеченных коллекций изображений и использует функцию «Классифицировать объекты для глубокого обучения» для определения видов растений. Выходной класс объектов содержит метки классов и значения достоверности, что позволяет проверять результаты классификации. Это полезно в тех случаях, когда объектом анализа являются категории растений, а не общие классы землепользования.
Когда прямых снимков сверху недостаточно для получения визуальной информации, для вывода результатов можно использовать наклонные изображения с дронов в пиксельном пространстве, прежде чем результаты обнаружения будут преобразованы в картографическое пространство. Рабочий процесс построен на основе коллекции ортокорректированных изображений с информацией о камере, что позволяет результатам обнаружения сохранять свою пространственную ценность после того, как они были получены из более детализированных исходных изображений.
Полевое применение в точном земледелии с использованием искусственного интеллекта.
Обработка больших ортомозаичных входных данных с использованием облачных технологий.
Платформа компьютерного зрения на основе искусственного интеллекта, предназначена для применения в сельском хозяйстве и охране окружающей среды. В качестве исходных данных она использует изображения, видео и ортомозаики, а также может создавать ортомозаики из видео. Платформа позиционируется как B2B SaaS-платформа для поставщиков сельскохозяйственных услуг, агрономов, кооперативов и экологов.
Платформа поддерживает загрузку, обработку данных и создание отчетов в облаке, не требуя от клиентов разработки и поддержки собственной выделенной инфраструктуры. Функция «Файлы» предоставляет облачное хранилище для необработанных изображений с дронов, загруженных входных данных, обработанных результатов и выходных данных сервисов, с поддержкой больших файлов и больших наборов данных. Это поддерживает рабочие процессы, требующие хранения и организации геопространственных изображений и результатов анализа на одной платформе.
Система принимает изображения высокого разрешения, полученные с помощью дронов, точно ортофотоснимки и геопривязанные данные GeoTIFF. Обработка GeoTIFF автоматически извлекает пространственные метаданные, сохраняет систему координат во время анализа с помощью компьютерного зрения и поддерживает точное обнаружение и локализацию сорняков, интегрированные с рабочими процессами ГИС.
Автоматизированная идентификация сорняков и инвазивных растений.
Это сервис точного земледелия на основе искусственного интеллекта, использующий компьютерное зрение и машинное обучение для идентификации, картирования и анализа сорняков и инвазивных видов растений на сельскохозяйственных полях и в природных условиях. Его модели обнаружения предназначены для идентификации и классификации сельскохозяйственных культур, сорняков и инвазивных растений по данным изображений, выдавая результаты идентификации, оценки достоверности и точные географические координаты.
В настоящее время список поддерживаемых растений включает одуванчик обыкновенный (Taraxacum), амарант клубненосный (Amaranthus tuberculatus) , амарант Палмера (Amaranthus palmeri), европейский водяной каштан, водяной солдатик, блошницу и чертополох. В документации по охране также указаны в качестве планируемых дополнений горец, герань, амсинкия (Amsinckia), кохия (Bassia scoparia), дикая редька (Raphanus raphanistrum) и амброзия полынолистная (Ambrosia artemisiifolia).
Точность модели обнаружения выше 99% и для улучшения производительности с течением времени и уменьшения количества ложных срабатываний используется инкрементальное обучение. Результаты, полученные с помощью ИИ, проходят процесс проверки, в ходе которого пользователи могут подтвердить, отредактировать или одобрить результаты обнаружения, прежде чем они будут переданы в пространственную платформу. Этот процесс проверки с участием человека обеспечивает экспертный контроль за автоматическим обнаружением.
Экспорт данных ГИС для полевых работ с переменной нормой внесения удобрений.
После проверки система передает данные об обнаружении в атлас для пространственной визуализации, анализа характера заражения, создания карт обработки и поддержки принятия решений в точном земледелии. Атлас отображает результаты в виде карт и геопространственных слоев, поддерживает пользовательские области и иерархические полевые зоны, а также предоставляет панели мониторинга пространственной аналитики в режиме реального времени.
Сервис создает готовые к использованию в ГИС выходные данные в форматах GeoJSON, Shapefile, KML и CSV. Эти экспортированные данные позволяют переносить отмеченные на карте места произрастания сорняков, схемы их распространения и зоны обработки в совместимые рабочие процессы ГИС и точного внесения удобрений и средств защиты растений. На практике именно эта совместимость форматов позволяет превратить результаты обнаружения в слой для полевых действий, а не просто в визуальный отчет.
В атласе также реализована интеллектуальная кластеризация обнаруженных сорняков, которая группирует их в управляемые зоны для обработки. Заявленная цель — оптимизация операций по опрыскиванию и рабочих процессов точного земледелия. Организуя обнаруженные сорняки в зоны управления, ориентированные на обработку, платформа поддерживает планирование мероприятий, специфичных для конкретного места.
Настройка и внедрение ИИ в масштабах предприятия
Компания разработчик описывает свой подход как специализированную разработку ИИ для решения конкретных сельскохозяйственных и экологических задач, а не как универсальное программное обеспечение. Возможности продукта в области компьютерного зрения включают инструменты тегирования и аннотирования, позволяющие пользователям маркировать свои данные и идентифицировать или подсчитывать объекты, имеющие отношение к их деятельности. Наша компания может разрабатывать или адаптировать модели ИИ в соответствии с требованиями пользователя и типом данных.
Платформа доступна через облачный онлайн-сервис, интеграцию с настраиваемыми API или полностью настраиваемую платформу под бренд клиента, соответствующую его требованиям и рабочему процессу. Система также поддерживает Back-end as a Service и аутсорсинг под бренд клиента через многопользовательскую структуру, предназначенную для компаний, занимающихся сельскохозяйственными технологиями, которые хотят передать разработку продукта на аутсорсинг по более низкой цене.
Данная модель развертывания актуальна для организаций, которым необходима инфраструктура обнаружения растений, интегрированная с существующими системами, а не ограниченная фиксированным интерфейсом. Индивидуальные модели, адаптированные API-соединения, фирменная доставка и согласование рабочих процессов на уровне платформы позволяют настраивать систему в соответствии с операционными целями в сельском хозяйстве, экологии и мониторинге окружающей среды.
Заключение
Ортомозаичное картирование с использованием ИИ обеспечивает структурированный подход от изображений, полученных с помощью БПЛА, к локальному управлению инвазивными растениями. Ортомозаики и коллекции изображений поддерживают пространственно-привязанный анализ; модели глубокого обучения могут классифицировать растительность, обнаруживать цели и генерировать картографические результаты; а слои ГИС могут быть преобразованы в зоны обработки для точечного опрыскивания. Исследования и практические примеры показывают, что производительность модели зависит от дизайна обучения, условий получения изображений, аугментации, качества аннотаций, соответствия разрешения и методов преобразования картографического пространства.
В прикладном точном земледелии и борьбе с инвазивными растениями решающее значение имеет непрерывность рабочего процесса. Система сочетает в себе облачную обработку изображений, компьютерное зрение, проверку подлинности пользователя, геопространственный анализ на основе атласов, кластеризацию и экспорт в ГИС для поддержки принятия решений, ориентированных на конкретные методы обработки. Облачные, API и брендированные варианты предоставления услуг расширяют этот рабочий процесс для организаций, которым требуется специализированная инфраструктура ИИ для полевых работ.
