سیستم‌های کشاورزی هوشمند مبتنی بر هوش مصنوعی برای کشت زعفران با ادغام تصاویر پهپادی بدون سرنشین و رویکردهای یادگیری عمیق

این مقاله یک سیستم تصویربرداری پهپادی (UAV) یکپارچه و کشاورزی هوشمند مبتنی بر هوش مصنوعی برای کشت زعفران را ارائه می‌دهد. این کار بر مبنای پایش رشد گل‌های زعفران از طریق تصاویر پهپاد هر هفته یا ماه در زمان پیش از برداشت صورت می‌گیرد، در حالی که درصد منطقه پوشش داده شده توسط برگ و گل‌های زعفران محاسبه می‌شود. این امر برای پیش‌بینی سطوح زعفران در مناطق زیرکشت بسیار حیاتی است. از دید عمودی تصاویر پهپاد از بالا، شناسایی مناطق خاص کشت زعفران از دیدگاه چشم پرنده مشکل‌زا است، بنابراین یک سیستم شناسایی طبقه‌بندی چند دسته‌ای گل‌ها (موضوعات) پیشنهاد می‌شود. بنابراین، اجرای این کار به چهار مرحله تقسیم می‌شود. دو مرحله اول (مرحله ۱ و مرحله ۲) درباره الگوریتم‌های شناسایی و پیش‌بینی مناطق کشت زعفران با استفاده از مدل YOLO اصلاح شده با نسخه بالاتر، به دنبال تحلیل آماری مبتنی بر تشخیص گوشه‌های منطقه است. نتایج دو مرحله اول برای ایجاد پایگاه داده‌ای از گل‌های زعفران با مقیاس‌ها، جهت‌ها و تغییرشکل‌های مختلف استفاده می‌شود. نتایج آن در مرحله سوم (مرحله ۳) برای ساخت یک مدل طبقه‌بندی دو دسته ای که تمایز بین گل‌های زعفران و غیرزعفران را ایجاد می‌کند، استفاده می‌شود. در مرحله چهارم، مدل طبقه‌بندی دو دسته ای، به یک مدل شناسایی گل چند دسته ای گسترش داده می‌شود که شناسایی پایگاه داده ۹۰۰ تصویر گل موجود در بزرگترین وب‌سایت شبکه اجتماعی اختصاصی باغبانی در مرحله ۴ را امکان پذیر می سازد. آزمایش‌های گسترده‌ای انجام شده و عملکردها با برخی از روش‌های پیشرفته موجود مقایسه می‌گردد که نتایج حاصله برتری سیستم پیشنهادی را نشان می‌دهد.

This paper presents an integrated Unmanned Aerial Vehicle (UAV) imagery system and artificial intelligence-based smart farming for saffron cultivation. This work is about monitoring the growth of saffron flowers through UAV imagery every week or month during the pre-harvesting time while the percentage of the covered area by leaf and saffron flowers is calculated. This is crucial for predicting saffron growing areas over cultivated regions. From the vertical viewing of UAV imagery from above, it is problematic from the bird’s eye perspective to identify the particular saffron-growing areas of things, so the multi-class classification of flowers (subjects) recognition system is proposed. So, the implementation of this work is divided into four phases. The first two phases (Phase 1 and Phase 2) are about the algorithms for Saffron growing region detections and predictions using the modified You Only Look Once (YOLO) higher version model followed by statistical analysis based region corner detections. The outcomes of the first two phases are used to form a database of saffron flowers with different scales, orientations, and deformations. This is further used to build a two-class classification model in the third phase (Phase 3) that discriminates saffron vs. non-saffron flowers. In the fourth phase, the two-class classification model is extended to a multi-class flower recognition model for recognizing 900 flower images database available in the largest social media website dedicated exclusively to gardening in the Phase 4. Extensive experiments are conducted, and the performances are compared with some existing state-of-the-art methods that show the superiority of the proposed system