Adnotacja obrazów upraw i pól dla programu AI w rolnictwie precyzyjnym
Firma z branży rolnictwa precyzyjnego potrzebowała opisanych obrazów pól i upraw, aby wytrenować model wykrywający wczesne oznaki stresu i chorób roślin, dla szeregu rodzajów upraw i warunków uprawy, których jej wewnętrzny zespół wcześniej nie etykietował.
Client snapshot
| Industry | Technologie rolnicze i rolnictwo precyzyjne |
|---|---|
| Region | Afryka Wschodnia i Zachodnia |
| Engagement type | Adnotacja obrazów upraw i pól do wykrywania kondycji roślin |
The challenge
Model klienta potrzebował oznaczonych przykładów zdrowych oraz zestresowanych lub chorych upraw w wielu rodzajach upraw i fazach wzrostu, czyli specjalistycznego zadania etykietowania, z którym jego ogólne opcje adnotacji nie radziły sobie dokładnie.
The approach
Jwuma przydzieliła adnotatorów przeszkolonych na podstawie przewodnika referencyjnego kondycji upraw klienta i przykładów rozwiązań, oznaczających obrazy pól pod kątem wskaźników stresu i chorób w docelowych rodzajach upraw klienta, z eskalacją weryfikacji dla niejednoznacznych lub granicznych klasyfikacji kondycji.
Results
Klient otrzymał spójnie oznaczone dane treningowe o kondycji upraw dla docelowych rodzajów upraw, co wsparło zdolność jego modelu do wykrywania wczesnego stresu roślin w sposób bardziej niezawodny, niż pozwalał na to jego poprzedni, węższy zbiór treningowy.
Frequently asked questions
Dlaczego adnotacja kondycji upraw wymaga specjalistycznego szkolenia, a nie ogólnego etykietowania obrazów?
Ponieważ odróżnienie zdrowych upraw od zestresowanych lub chorych wymaga osądu opartego na materiałach referencyjnych, właściwego dla każdego rodzaju uprawy i fazy wzrostu, a nie ogólnego rozpoznawania obiektów.
Jak szkoleni są adnotatorzy do zadań etykietowania specyficznych dla rolnictwa?
Na podstawie dostarczonego przez klienta przewodnika referencyjnego i przykładów rozwiązań właściwych dla rodzajów upraw i wskaźników kondycji, które model ma wykrywać.
Czy ten typ programu może skalować się na wiele rodzajów upraw i regionów?
Tak, pod warunkiem że adnotatorzy przechodzą szkolenie specyficzne dla każdego nowego rodzaju uprawy dodawanego do programu.
Related case studies
Dane do weryfikacji twarzy i tożsamości dla globalnej platformy mobilności
Globalna platforma mobilności i przewozu osób potrzebowała zweryfikowanych danych twarzy i tożsamości z wielu regionów, aby wzmocnić system weryfikacji bezpieczeństwa kierowców i pasażerów, przy ścisłych wymogach dotyczących zgody i postępowania z danymi biometrycznymi.
Zbieranie egocentrycznych danych wideo dla programu AI w robotyce
Firma zajmująca się AI w robotyce potrzebowała wideo z perspektywy pierwszej osoby przedstawiającego ludzi wykonujących codzienne zadania fizyczne, rejestrowanego spójnie w zróżnicowanych środowiskach i dla różnych typów sylwetki, aby wytrenować model ucieleśnionej AI tak, by uogólniał się poza jedno środowisko laboratoryjne.
Ocena RLHF dla modelu konwersacyjnej AI
Firma zajmująca się konwersacyjną AI potrzebowała ustrukturyzowanego, skalowalnego procesu oceny przez ludzi, aby oceniać jakość odpowiedzi chatbota w procesie dostrajania RLHF, po tym jak jej dotychczasowa doraźna pula oceniających dawała niespójne wyniki.
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.