Университетский Deep Tech в стартап-студии: развиваем интеллектуальную систему биологической защиты растений

Мы — стартап-студия «Открытые инновации», объединяем вузовский Deep Tech и бизнес: помогаем университетам в коммерциализации технологий и развитии технологических проектов. Один из наших резидентов — интеллектуальная система биологической защиты растений. Рассказываем о проекте в нашей статье.

Особенность стартап-студий в том, что они не только инвестируют, но и занимаются развитием своих стартапов: предоставляют ресурсы, технологии и методологии, которые ускоряют создание новых компаний.

Мы познакомились с проектом в рамках «Школы руководителей научно-технических проектов», которая проводилась в Центре развития компетенций Западно-Сибирского НОЦ. Мы заметили хороший рост проекта и предложили войти в портфель проектов стартап-студии «Открытые инновации».

В качестве первоначальных инвестиций мы помогли команде привлечь грант Фонда содействия инновациям на разработку программного комплекса интеллектуального контроля биологических агентов для борьбы с вредителями в промышленных теплицах.

С командой «АгроИнтеллекта» работает отдельный трекер, он помогает проекту ставить цели, тестировать гипотезы, корректировать бизнес-модель и проводить экспертизу решений. Регулярные встречи с трекером помогают команде сфокусировать деятельность и выйти на первые продажи. Например, команда уже провела пилотное тестирование системы в теплицах ООО «УГМК-Агро», а сейчас занимается проработкой требований к расширению функционала системы.

«АгроИнтеллект» — это программный комплекс интеллектуального контроля, включающий в себя нейросеть, алгоритмы интеллектуальной обработки данных, формирования отчетов и методы распознавания образов.

Система создана, чтобы в онлайн-режиме отслеживать состояния растений (в частности, поражение вредителями), прогнозировать развитие фитосанитарной ситуации и предлагать оптимальные решения по борьбе с патогенами.

Сейчас диагностику заболеваний растений в промышленных теплицах проводят люди.

— Вручную это долго и тяжело: человеку приходится ежедневно проходить по теплице в 40 гектар и высматривать растения.

— Вручную это неточно: возможности человеческого внимания ограничены, люди упускают заболевания.

— Человек не составляет прогнозы: человеку сложно предсказать, как именно будет распространяться заболевание.

Автоматический анализ данных и моделирование процессов на основе этих данных экономит время и позволяет получить более стандартизированные результаты: увеличение урожайности, снижение заболеваемости растений и потери продукции. Использование разработанной технологии будет с точностью до 80-90% прогнозировать пространственное распространение вредителей по площади теплицы и рассчитывать необходимую дозировку средств защиты (точные цифры будут понятны после проведения экспериментов).

Для обучения нейросетей необходим датасет по заболеваниям растений и вредителям. Часть информации по распространенным фитопатогенам собирается в промышленных теплицах, а информация по редко встречающимся заболеваниям пополняется на базе научного партнера — лаборатории биологической защиты растений Тюменского Госуниверситета. У вуза сильная научная база по биологической защите растений — Институт экологической и сельскохозяйственной биологии (X-BIO) ТюмГУ объединил исследовательские группы в области растениеводства, биологии почв, микробиологии и антимикробной резистентности, энтомологии, акарологии, фитопатологии и защиты растений.

У нас есть специалисты по выращиванию, по энтомофагам, по заболеваниям растений, есть представители Всероссийского научно-исследовательского института защиты растений. У нас получилась довольно широкая география: специалисты из разных регионов России, а также из Узбекистана, Таджикистана и Ирана. Они изучают распространение вредителей в нашей экспериментальной лаборатории. К ученым мы подключили IT-команду стартапа, которая занимается программным обеспечением. Так мы объединили серьезную научную базу и нейросети с ИИ для создания продукта.

Алексей Прохошин, руководитель проекта

Руководит и научно-техническими проектами на производстве более 8 лет.

Евгений Бурлаков, аналитик данных

PhD, доцент института X-BIO ТюмГУ, занимается математическим моделированием природных процессов и имеет опыт построения моделей хищник-жертва. Экспертиза: математическое моделирование.

Александр Зубков, back-end разработчик

Опыт работы в лабораториях как аналитического, так и нефтехимического характера. Опыт программирования более 8 лет. Экспертиза: разработка программного продукта.

Белякова Наталья, научный руководитель

К.б.н. профессор Всероссийского института защиты растений, автор более 50 публикаций и 2 патентов. Экспертиза: разработка методов биологической защиты.

Анастасия Кадысева, руководитель продукта

Профессор, доктор биологических наук, автор более 70 научных публикаций и 1 патента. Экспертиза: реализация российских и зарубежных научных грантов.

Сафонов Тарас, datascientist

Аккредитованный статистик Королевского статистического общества и Американской статистической ассоциации. Экспертиза: математическое моделирование распространения заболеваний и вредителей.

Сейчас команда собирает данные в экспериментальной лаборатории: делает фотографии растений, фиксирует заболевания и размечает Data Set. На основе этих данных будут созданы модели, которые тоже затем пройдут проверку агрономами и специалистами по защите растений. В нашем проекте такие проверки — особенно важный момент, потому что агрономы относятся к подобным решениям с недоверием. Нам важно продемонстрировать высокую точность интеллектуальной системы, поэтому мы создали собственную лабораторию, где можем повторять условия теплицы и собрать полноценный Data Set: для достоверности необходимо собрать не менее 10 000 фотографий по каждому заболеванию каждой исследуемой культуры.

В нашем решении мы за основу взяли микроклимат, создаваемый в теплице Ultra-Clima, потому что это самые распространенные промышленные теплицы в России. Система «АгроИнтеллект» знает все параметры этих теплиц и может довольно точно определить вредителей и прогнозировать их распространение в зависимости от температуры или уровня влажности. Так как промышленные теплицы поддерживают стабильные условия независимо от местоположения, решение масштабируется не по широтам и регионам, а по типам теплиц.

Наш следующий этап — создание системы поддержки принятия решений. Когда мы завершим обучение ИИ, он сможет создавать математические модели распространения вредителей и предлагать оптимальные и экономически эффективные решения по защите растений. Мы также рассматриваем вариант полной автоматизации системы мониторинга: роботы будут собирать данные в ночное время, а нейросеть проводить анализ на основе данных.