09 · ИИ-мониторинг
ИИ-мониторинг: что камера может, а что нет
Это самый ценный раздел для формирования научной честности. Компьютерное зрение здесь — не «магия, которая измерит витамины», а инструмент, у которого есть чёткие границы. Умение назвать эти границы — сигнал достижения цели Ц5.
Корректируем допущения исходной НИР
В project.md таблица «метод детекции ИИ» содержит несколько технически неверных связок. Исправляем честно — это часть учебного разбора:
| В НИР было | Проблема | Как корректно |
|---|---|---|
| «Цвет антоцианов (RGB) → кальций» | Антоцианы (красно-фиолетовый пигмент) не связаны с кальцием; это индикатор пигмента/стресса | Мерить интенсивность окраски как признак пигментации/стресса, не как «кальций» |
| «Индекс зелёного (NDVI)» | Настоящий NDVI требует ближнего ИК-канала, у RGB-камеры его нет | Считать видимые индексы зелёного: ExG, GLI, VARI; или мультиспектр через AS7341 |
| «YOLO как признак повышенного накопления элемента» | Позеленение ≠ рост концентрации элемента в тканях | YOLO детектирует симптом (хлороз/некроз) и площадь; накопление — только лаборатория |
Что тогда честно измеримо камерой:
- Площадь листа / проекции растения (bounding box или сегментация) → прокси размера.
- Скорость роста — та же площадь во времени.
- Индекс зелёного из RGB (напр. ExG = 2G − R − B) → прокси «зелёности» = косвенно хлорофилл/здоровье.
- Классификация участка листа:
здоровый / хлороз / некроз(YOLO11). - С AS7341 — грубая мультиспектральная отражательная способность при контролируемом свете (лента SK6812 даёт ровный кадр).
Занятие 13 · YOLO11 на листе (worked example)
Микроцель: получить детекцию/классификацию листа на своём фото.
flowchart LR
CAM["Камера (Pi/USB)"] --> IMG["Кадр при ровном свете (SK6812)"]
IMG --> YOLO["YOLO11: детекция листьев + класс здоров/хлороз/некроз"]
YOLO --> M["Метрики кадра: площадь, доля хлороза"]
M --> DB[("readings / файл")]
M --> VAL["Валидация против ручных замеров"]
Шаг 1. Инференс на готовой модели
Запустить YOLO11 (Ultralytics) на компьютере зрения (Pi 5 / ноутбук) на своём фото. Понять, что такое bounding box, confidence, класс.
Шаг 2. Метрики кадра
Из детекций посчитать площадь проекции и долю площади с классом «хлороз». Это и есть наш измеримый признак здоровья.
Шаг 3. Валидация (ядро занятия)
Сопоставить CV-метрику с ручным замером (площадь по линейке/сетке, визуальная оценка хлороза). Построить корреляцию «CV vs рука». Если корреляции нет — метрике верить нельзя.
здоровый/хлороз/некроз). Честный нюанс: на маленьком датасете (десятки фото) модель переобучается — это ограничение, которое ученик должен назвать, а не спрятать. Ссылки на инструменты Ultralytics — на уроке.Связь фенотип → химия (аккуратно)
Мы не утверждаем «зеленее = больше магния». Мы проверяем обратное направление, которое биологически обосновано (раздел 07): дефицит Mg/Fe вызывает хлороз. Поэтому:
- позеленение группы после протокола Mg/Fe → согласуется с гипотезой «дефицит устранён»;
- но это не доказывает «в листе стало на N мг/л больше Mg» — для этого нужен анализ тканей.
Именно так формулируется вывод в защите: «наблюдаемое снижение хлороза согласуется с устранением дефицита; количественное накопление требует лабораторной проверки».
Мини-проверка выхода
- Почему RGB-камера не даёт настоящий NDVI? (нет ближнего ИК-канала)
- CV показал, что группа A «зеленее» — можно ли написать в выводе «в A больше магния»? (нет; только «согласуется с устранением дефицита»)
- Зачем сравнивать CV-метрику с ручным замером? (валидация: без неё метрике нельзя доверять)