نقشه‌برداری پایدار گیاهان در مقیاس مزرعه با استفاده از بینایی ماشین و جی‌پی‌اس

پایش مداوم سطح گیاه در محیط‌های مزرعه‌ای برای کاربردهایی مانند فنوتیپ‌بندی محصول، مدل‌سازی رشد و برداشت خودکار ضروری است، اما ارتباط چند روزه قابل اعتماد گیاهان منفرد در محیط‌های متراکم و پر سر و صدا در فضای باز همچنان دشوار است. این مقاله یک خط لوله کم‌هزینه و در مقیاس مزرعه‌ای برای ساخت نشانه‌های ماندگار گیاه از مشاهدات مکرر گل زعفران جمع‌آوری‌شده توسط یک کاوشگر زمینی ارائه می‌دهد. یک پلتفرم رباتیک چند دوربینی 1.64 میلیون تصویر را طی 23 روز به دست آورد و یک آشکارساز مبتنی بر YOLOv26m نمونه‌های گل و مکان‌های پیکسل را شناسایی کرد. تشخیص‌ها با استفاده از هندسه دوربین کالیبره شده و RTK-GPS در مختصات جهانی محلی‌سازی شدند، سپس با استفاده از ارتباط داده‌های مبتنی بر خوشه‌بندی، در طول زمان مرتبط شدند. در داده‌های مزرعه‌ای، این رویکرد 1490 نشانه را از 47724 تشخیص با دقت 96٪ برای ارتباطات تک گل شناسایی کرد. نتایج نشان می‌دهد که توالی‌های تصویر ماندگار و هر گیاه را می‌توان در شرایط واقعی کشاورزی با استفاده از سخت‌افزار حسگر استاندارد به طور قابل اعتمادی تولید کرد و پایه عملی برای تجزیه و تحلیل زمانی محصول و گردش‌های کاری برداشت به موقع فراهم کرد.

Persistent plant-level monitoring in field environments is essential for applications such as crop phenotyping, growth modeling, and autonomous harvesting, but reliable multi-day association of individual plants remains difficult in dense, noisy outdoor settings. This paper presents a low-cost, field-scale pipeline for constructing persistent plant landmarks from repeated saffron flower observations collected by a ground rover. A multi-camera robotic platform acquired 1.64 million images over 23 days, and a YOLOv26m-based detector identified flower instances and pixel locations. Detections were localized in global coordinates using calibrated camera geometry and RTK-GPS, then associated across time using clustering-based data association. On field data, the approach identified 1,490 landmarks from 47,724 detections with 96% accuracy for single-flower associations. Results demonstrate that persistent, per-plant image sequences can be generated reliably in real agricultural conditions using standard sensing hardware, providing a practical foundation for temporal crop analysis and just-in-time harvesting workflows.