10 февраля Минобрнауки рассказало о петербургской разработке для ранней диагностики болезней растений. Учёные СПбПУ и Всероссийского института защиты растений проверили, как гиперспектральная камера и алгоритмы машинного обучения замечают заражение пшеницы раньше человеческого глаза.
Что именно сделали в Петербурге
Разработка родилась на стыке инженерии и фитопатологии: в проекте участвовали Передовая инженерная школа «Цифровой инжиниринг» СПбПУ и Всероссийский институт защиты растений. Для Петербурга это не абстрактная «нейросеть про сельское хозяйство», а работа двух городских научных точек: Политеха на Политехнической улице и института защиты растений в Пушкине.
Как сообщает Минобрнауки России, методика предназначена для выявления болезней сельскохозяйственных растений на ранней, бессимптомной стадии. Проверяли её на стеблевой ржавчине пшеницы — опасном заболевании, которое поражает стебли и листья. В обычном осмотре проблема в том, что заметные признаки появляются не сразу: визуальные симптомы, по данным СПбПУ, обычно проявляются через 6–10 дней после заражения.
Задача петербургских исследователей была практичной: не ждать пятен и ржавых пустул, а поймать слабые изменения в растении раньше. Тогда очаг можно локализовать до того, как болезнь успеет разойтись по посеву или тепличному блоку.
Почему камера видит больше, чем глаз
Обычная фотография работает примерно так, как человеческое зрение: цвет, форма, пятна, повреждения. Гиперспектральная съёмка устроена иначе. Она фиксирует отражение света в десятках и сотнях узких спектральных диапазонов, поэтому может заметить изменения, связанные с хлорофиллом, водным состоянием и структурой тканей растения.
В статье Frontiers in Plant Science указано, что использовался диапазон 450–874 нанометра, разбитый на 106 спектральных каналов с шагом 4 нанометра. Снимки делали камерой Cubert Ultris 20, а каждое изображение имело разрешение 410 на 410 пикселей. Для агронома это выглядит как «камера над растением», но для алгоритма — как многослойная карта состояния листьев.
В эксперименте собрали 864 гиперспектральных изображения: 432 здоровых и 432 заражённых. Съёмку вели с 4-го по 9-й день после заражения, ежедневно получая по 144 изображения. Такой набор позволил сравнивать не только здоровые и больные растения, но и разные стадии развития инфекции.
Самый важный момент — до видимых симптомов
Согласно данным Frontiers in Plant Science, 4–5-й день после заражения относился к бессимптомной стадии: растения ещё выглядели нормально. На 6–7-й день начиналась переходная фаза с лёгким хлорозом, а на 8–9-й день уже были заметны характерные ржавые пустулы.
Именно раннее окно делает разработку интересной. В исследовании 2025 года корректная предобработка гиперспектральных данных повысила F1-оценки моделей с уровня 0,67–0,75 на «сырых» спектрах до 0,86–0,94. Там же показано, что бессимптомное заражение удавалось выявлять уже на 4-й день после инокуляции.
В более свежей работе Frontiers in Plant Science от 19 июня 2026 года проверяли уже глубокое обучение. Семь архитектур сравнили на том же временном ряду, а затем усилили лучшие модели взвешенной оптимизацией. Лучший результат на бессимптомной стадии составил F1 0,94 на 4-й день и 0,99 на 5-й день, то есть до появления заметных признаков на 6–7-й день.
Зачем нужна предобработка, а не просто «мощная нейросеть»
В полевых условиях растение редко стоит перед камерой идеально. Свет меняется, листья перекрывают друг друга, влажность и фон дают шум, а один и тот же участок посева утром и днём может выглядеть по-разному. Поэтому в СПбПУ подчёркивают: ключевым элементом стала не только модель, но и последовательная предобработка гиперспектральных данных.
Методика включает коррекцию пикселей, нормализацию и сглаживание спектральных кривых, а также стандартизацию каналов. Это нужно, чтобы алгоритм учился отличать признаки болезни от случайных искажений съёмки. В научной статье отдельно отмечено, что такой подход повышает устойчивость результатов независимо от конкретной модели машинного обучения.
Для будущей теплицы или поля это принципиально. Если система будет реагировать на тень, каплю влаги или блик как на болезнь, пользы от неё мало. Петербургская работа ценна тем, что разбирает именно грязную инженерную часть задачи — как подготовить данные так, чтобы диагноз не зависел от случайных условий съёмки.
Что это может дать теплицам и полям
СПбПУ описывает разработку как шаг к дистанционному мониторингу сельхозугодий, включая беспилотные и спутниковые платформы. В теплице похожий принцип может работать через стационарные камеры над рядами растений, а в поле — через дрон или другую систему регулярной съёмки.
Практический сценарий выглядит так: камера снимает растения по расписанию, алгоритм сравнивает спектральные признаки с обученной моделью, а агроном получает не общую тревогу, а участок, где стоит проверить растения. Это не отменяет специалиста, но экономит ему время и помогает идти не «наугад», а к вероятному очагу.
Пока речь идёт об экспериментальной научной методике, а не о готовом сервисе для дачников. Но направление понятно: диагностика растений постепенно смещается от осмотра пятен к раннему предупреждению по слабым физиологическим сигналам.
Где это находится в городе
Передовая инженерная школа «Цифровой инжиниринг» СПбПУ указана в структуре университета по адресу: Политехническая улица, 29, корпус АФ, научно-исследовательский корпус «Технополис Политех». Ближайшая городская привязка для читателя — север Петербурга и район станции метро «Политехническая».
Второй участник исследования — Всероссийский институт защиты растений — связан с Пушкином; в справочных данных Math-Net.Ru для организации указан адрес: Санкт-Петербург, Пушкин, шоссе Подбельского, 3. Так что проект соединяет не только ИИ-лабораторию Политеха, но и петербургскую школу защиты растений, где хорошо понимают поведение патогенов.
Если смотреть шире, эта история показывает редкую для городской науки связку: алгоритмы, камеры, лабораторные посевы и будущие агрономические решения. Петербург здесь выступает не как место с полями пшеницы, а как город, где собирают инструменты для более раннего и точного контроля урожая.