Key points are not available for this paper at this time.
مراقبة نمو النباتات على مستوى الفرد الواحد تساعد في اتخاذ قرارات زراعية دقيقة لتقليل التكاليف المتعلقة بالمبيدات والأسمدة والعمالة. دمجت هذه الدراسة بين صور الطائرات بدون طيار المرئية/متعددة الطيف واثنين من طرق التعلم العميق، الكشف عن الأجسام والتقسيم الدلالي، للحصول على خريطة مرئية يمكن أن تساعد في المراقبة والإدارة الدقيقة لزراعة البروكلي. تم إجراء استخراج الميزات لتحديد النباتات باستخدام الالتفاف المتباين متعدد المقاييس، مما مكن من الكشف الفعال عن البروكلي في الصور الملتقطة تحت ظروف تصوير مختلفة ودقة متباينة. تم زراعة محصولين من البروكلي (الصنف: بروكلي رقم 42) في عام 2020 في محطة تايتشونغ للبحث الزراعي والتوسع، حيث تم اعتبار المحصول الأول كبيانات تدريب. تمت معالجة الكشف عن نباتات البروكلي الفردية باستخدام هيكل استخراج الميزات من نوع AlexNet في الواجهة الأمامية SSD، حيث يتوافق مقياس الإدخال للكاشف مع الهيكل الأصلي لـ SSD. بالنسبة لاختبار النموذج على المحصول الثاني، كانت نسبة التذكر والدقة 98.58% و99.73%، على التوالي، بعد مطابقة الهستوجرام بناءً على صور المحصول الأول. علاوة على ذلك، تم تطبيق النهج المقترح على حقل زراعي حقيقي للتحقق من قوته عبر ظروف مختلفة، وحقق نسبة تذكر قدرها 61.13% باستخدام الالتفاف المتباين. كما أن هذه الدراسة كذلك أنشأت خريطة نمو مرئية على أساس نبات واحد، مما يسمح للمشغلين بكشف حالات النمو، مثل الري غير المتساوي أو التسميد والتموت والخضوع للموت الخلوي، مما يعزز بشكل كبير إمكانية الزراعة الدقيقة في حساب العائدات الوحدة والاختلافات داخل المجموعة لنظام معين. يمكن استخدام النهج المقترح لتحديد الكمية المثلى من التسميد ومراقبة حجم رؤوس البروكلي لتحديد الوقت المثالي للحصاد. ومن المتوقع أيضًا أن يتم تطبيق الطريقة على مراقبة وإدارة محاصيل أخرى لتحسين الكفاءة وتقليل الطلب على العمالة للزراعة الدقيقة.
درس لي وزملاؤه (الإثنين) هذا السؤال.