Высокотехнологичная роза: мировые тренды. Часть 2. Автоматизация агрономической службы

Автоматизация рабочих процессов агрономической службы (службы главного агронома - в России) это комплексный вопрос. Помимо оборудования нужно также разработать технологию, отладить ее, обучить цветоводов и контролировать процесс. Контроль должен быть всегда, но как его обеспечить на больших тепличных комбинатах? Посмотрим, какие решения могут в перспективе быть адаптированы на российских тепличных комплексах.

Задачи: контролировать срезку по качеству и количеству (сколько стеблей срезать с м² для баланса вегетативного и генеративного роста), не допускать пересорт и ошибки.

Решение: цифровые «дорожные карты» для сборщиков.

• Как это работает. Система управления урожаем (например, разработки Hoogendoorn) на основе данных с датчиков и моделирования генерирует ежедневный план срезки для каждого сектора теплицы. План передается на планшет или смартфон сборщика с указанием: ряд, количество стеблей определенного сорта и длины для среза.
• Контроль исполнения. После срезки сборщик сканирует штрих-код или RFID-метку на транспортной тележке или контейнере, привязывая партию к заданию. Так агроном в реальном времени видит, какой объем и с какого участка уже собран.
• Вывод для РФ. Внедрение даже простой системы цифрового задания и подтверждения срезки (на базе 1С или мобильных приложений) может существенно повысить управляемость и даст реальную картину по урожайности каждого участка, исключая человеческий фактор в отчетности.

Задачи: гарантировать, что каждый срезанный стебель соответствует стандарту: правильный угол и высота среза, удаление тонких побегов («слепых» отростков), наличие листьев.

Решение: компьютерное зрение на линии первичной обработки.

• Как это работает. Перед отправкой на сортировку стебли проходят через сканирующий тоннель. Алгоритмы компьютерного зрения (нейросети) анализируют изображения и в доли секунды определяют:

Длину и толщину стебля.
Качество среза (наличие расщепа, угол).
Наличие и состояние бутона.
Факт удаления лишних боковых побегов.
Стебли, не соответствующие стандарту, автоматически отклоняются или отправляются на пересорт.

• Примеры. Один из ведущих поставщика сортировочных линий Bercomex (Нидерланды), а также MAF Roda (Франция) интегрируют такие системы в свои линии. Исследование Wageningen UR в проекте «AI for Flowers» подтверждает, что точность определения дефектов среза с помощью ИИ превышает 95%.
• Работа в поле (не для РФ). В крупных хозяйствах Латинской Америки (Колумбия, Эквадор) главные агрономы используют записи с камер наблюдения или дроны для выборочного аудита процесса срезки в реальном времени, не выходя из офиса.
• Вывод для РФ. Полная роботизация срезки пока дорога, но контроль качества на линии после срезки — доступный и быстрый шаг. Он не позволяет некондиционному стеблю уйти дальше по цепочке, экономя время на последующей ручной переборке и сохраняет лицо бренда.

Задачи: обнаружить очаг болезни (мучнистая роса, ботритис) или вредителя (паутинный клещ, трипс) до того, как он станет виден человеческому глазу и нанесет ущерб.

Решение: мультиспектральный мониторинг и «интернет вещей» (IoT).

1. Дронная и стационарная спектральная съемка. Дроны (например, от DJI со специальными камерами) или стационарные камеры проезжают над теплицей, делая снимки в разных спектрах (ближний ИК, ультрафиолет). Здоровые и больные ткани растения отражают свет по-разному. Алгоритмы выявляют аномалии, создавая «карты здоровья» теплицы.

• Пример. Канадский стартап Ecoation (совместно с Micothon) предлагает автономную тележку AKKA и дронов для сбора мультиспектральных данных и 3D-моделирования. Их технология используется в ведущих хозяйствах Северной Америки и Европы. Ссылка на технологию Ecoation.

2. Растение как сенсор. В стратегических точках на растения устанавливают датчики потока сока (сап-флоу) или микродендрометры, которые измеряют стресс (недостаток воды, болезнь) за несколько дней до визуальных симптомов.

• Пример. Исследовательский проект «Sensoring Roses» в WUR тестирует сеть таких датчиков для предиктивного орошения и выявления болезней.

3. Автоматические ловушки с распознаванием. Ловушки для насекомых (Traptracker, RoboTrap) не только приманивают вредителей, но и автоматически подсчитывают их количество, определяя вид с помощью камеры и отправляя данные в систему. Это позволяет точечно и вовремя выпускать энтомофагов.

• Пример. RoboTrap от компании Scentroid — это автономная ловушка с ИИ-распознаванием, используемая в теплицах.

Вывод для РФ. Для российских комбинатов наиболее быстрый эффект (в частности, по ROI) дает внедрение дронного мониторинга (хотя бы раз в 2 недели) и умных ловушек. Это позволяет перейти от реактивной борьбы с проблемами к упреждающему управлению, сохраняя урожай и сокращая затраты на химикаты.

Современная агрослужба на тепличном комбинате по выращиванию розы — это центр управления данными. Её сила не в количестве персонала, а в умении интегрировать потоки информации, поступающей от людей и датчиков, в единую цифровую модель теплицы. Это превращает искусство выращивания в точную инженерную дисциплину. Что незамедлительно сказывается на экономических показателях предприятия.