Как ИИ распознаёт пыльцу в воздухе: автоматический пыльцевой монитор

Пыльцу обычно считают вручную: ловушка собирает её на ленту, специалист рассматривает образец под микроскопом и подсчитывает зёрна. Метод проверенный, но быстрых новостей от него ждать не всегда приходится: между сбором образца и готовыми данными может пройти несколько дней.

Поэтому учёные пробуют автоматические датчики. Один такой прибор два сезона, в 2024 и 2025 годах, работал во Вроцлаве. Исследователи сравнили его показания с обычной пыльцевой ловушкой. Результат любопытный, но с важной оговоркой: датчик не «узнал всю пыльцу» и не отменил работу специалистов.

Как датчик распознаёт пыльцу

В приборе Swisens Poleno Jupiter частицы проходят через измерительную камеру. Цифровая голография помогает рассмотреть их форму, а измерение флуоресценции добавляет сведения о свойствах частиц. Затем нейросеть относит их к одной из групп.

Во Вроцлаве проверяли пять родов деревьев: ольху, берёзу, ясень, сосну и дуб. Автоматические показания сопоставляли с данными ловушки Хирста, которую используют как эталон для таких сравнений. То есть речь идёт о конкретном приборе, пяти группах пыльцы и двух сезонах наблюдений, а не о готовом универсальном счётчике для любого города.

Зачем обучать модель на местной пыльце

Исходную модель обучали на материалах из Швейцарии. Для исследования во Вроцлаве её дообучили на местных образцах. После этого результаты лучше совпадали с показаниями эталонной ловушки, особенно при низкой и средней концентрации пыльцы.

Есть нюанс: обновлённая версия получила не только местные данные, но и измерения флуоресценции. Поэтому нельзя сказать, что улучшение произошло исключительно из-за «местного обучения». Авторы проверяли сочетание изменений, а не один фактор в отрыве от остальных.

Что исследование пока не доказывает

Работа во Вроцлаве показывает, что автоматический мониторинг может давать полезные данные с высокой временной детализацией. Но два сезона в одном городе и пять групп растений — это ещё не проверка для всех видов пыльцы, климатов и приборов.

И привычная ловушка здесь не стала лишней. Она нужна, чтобы сверять работу автоматики. Само исследование тоже сравнивало показания датчика с ловушкой Хирста. Прежде чем полагаться на такую систему в новом регионе, её нужно проверить на местных образцах и в реальных условиях.

Зачем это может пригодиться

Ручной анализ остаётся важным, но он не всегда даёт данные достаточно быстро для наблюдения за изменениями в течение дня. Автоматические измерения могут дополнить его и показать, как концентрация меняется по часам. Насколько это поможет конкретному сервису прогноза, зависит от датчиков, качества проверки и того, как данные используют дальше.

Если коротко: датчик и нейросеть уже умеют распознавать некоторые группы пыльцы в реальном времени, но точность не появляется сама собой. Модель нужно обучать и проверять там, где ей предстоит работать. Исследование во Вроцлаве — хороший пример такого подхода, а не обещание, что любой датчик одинаково надёжен везде.

За текущим уровнем пыльцы и прогнозом для своего города можно следить на странице пыльцевого мониторинга Allergo.