المحتويات في لمحة:إذا كان من الممكن تحديد ظروف نمو جميع المحاصيل في الحقل والتنبؤ بها على المدى القصير، فسيكون من الممكن تحديد مواعيد الحصاد المثالية، وتقليل عدد المحاصيل ذات الحجم غير القياسي، وتقليل خسائر الإيرادات. وردًا على ذلك، اقترح باحثون من جامعة طوكيو وجامعة تشيبا حلاً يعتمد على الذكاء الاصطناعي والطائرات بدون طيار.

الكلمات المفتاحية:تصوير الاستشعار عن بعد باستخدام الطائرات بدون طيار الزراعية

المؤلف | لي باوزو

المحرر | سانيانغ، شيويه تساي

في الربيع، الحرث، وفي الصيف، إزالة الأعشاب الضارة، وفي الخريف، الحصاد، وفي الشتاء، التخزين، يتم تنفيذ هذه الأعمال الأربعة في الأوقات المناسبة، بحيث لا تنفد الحبوب الخمسة أبدًا ويكون لدى الناس فائض من الطعام.

لفترة طويلة، عمل الناس بجد وفقًا للخبرة التي توارثوها على مر السنين، وحصدوا المحاصيل وفقًا لدورة النضج العامة. ومع ذلك، وبسبب ظروف النمو المختلفة، هناك حتما بعض الاختلافات في جودة وحجم ونضج المحاصيل في وقت الحصاد. إن الحصاد الآلي الموحد سوف يؤدي إلى إهدار الكثير من المحاصيل التي لا تلبي معايير البيع أو الاستهلاك، مما يؤدي بالتالي إلى انخفاض الأرباح. لذا،يعد تاريخ الحصاد أمرًا بالغ الأهمية لتحديد نسبة المحصول الذي يفشل في تلبية المعايير والدخل الإجمالي النهائي للمزارع.

مع تحليق الطائرات بدون طيار فوق الحقول، بدأ الناس في استكشاف كيفية التنبؤ بأفضل موعد للحصاد بناءً على بيانات الصور الجوية التي تلتقطها الطائرات بدون طيار.قام باحثون من جامعة طوكيو وجامعة تشيبا بتطوير عملية منهجية لجمع البيانات الظاهرية للنباتات باستخدام الطائرات بدون طيار.استناداً إلى الاستشعار عن بعد بواسطة الطائرات بدون طيار وتحليل الصور، يتم التنبؤ بحجم كل رأس من البروكلي ويتم إدخال البيانات في نموذج نمو قائم على درجة الحرارة للتنبؤ بتاريخ الحصاد الأمثل.

بعد عامين من تجارب التطبيق الميداني، تمكن النظام من تقدير حجم رؤوس البروكلي بدقة عالية وتوقع بنجاح موعد الحصاد الأمثل بناءً على البيانات ذات الصلة، مما يمكن أن يقلل الخسائر الزراعية ويزيد الأرباح. وفي الوقت الحاضر، تم نشر النتائج ذات الصلة في مجلة "Plant Phenomics".

وقد تم نشر هذه النتيجة في مجلة "Plant Phenomics"

رابط الورقة:

https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4

01 نموذج النمو + بيانات الأسعار:6 خطوات لإنشاء نموذج توقعات الأرباح

وباستخدام البروكلي كمثال، استخدم فريق البحث طائرات بدون طيار للحصول على معلومات حول حجم الرأس (السمات الهندسية) لجميع رؤوس البروكلي في أوقات مختلفة أثناء فترة نمو البروكلي. ثم قاموا بإنشاء نموذج نمو بسيط بين حجم الرأس وبيانات درجة الحرارة، ودمجوه مع بيانات الأسعار التي تم الحصول عليها من خلال مسوحات السوق لإنشاء نموذج للتنبؤ بالربح لتاريخ الحصاد الأمثل.

تتضمن هذه الطريقة بشكل أساسي 6 خطوات رئيسية

الخطوة 1: رحلة الطائرة بدون طيار للحصول على الصورة الأصلية

* وقت التجربة:2020-2021

* الموقع التجريبي:مزرعة تجريبية، معهد الزراعة المستدامة وخدمات النظم البيئية (ISAS)، طوكيو، اليابان

* معدات التصوير الجوي:DJI Mavic 2 Pro وDJI Phantom 4 RTK

* بيانات الصورة:224 جيجابايت (2020) + 72 جيجابايت (2021)

DJI Phantom 4 RTK، مصدر الصورة: الموقع الرسمي لشركة DJI 

الخطوة 2: معالجة الصور الجوية مسبقًا (التصوير الفوتوغرامتري)

استخدم الباحثون برنامج معالجة صور الطائرات بدون طيار الاحترافي Pix4DMapper Pro لقياس الصور الملتقطة بواسطة الطائرات بدون طيار ومعالجة بيانات الصورة مسبقًا من خلال إعادة البناء ثلاثية الأبعاد. باستخدام معلمات البرنامج الافتراضية،تم إنشاء خرائط تقويم رقمية (DOM) ونماذج سطح رقمية (DSM).

تكوين الكمبيوتر المستخدم لإعادة البناء ثلاثي الأبعاد هو كما يلي:

معالج Intel i9-7980XE بسرعة 2.6 جيجاهرتز، وذاكرة وصول عشوائي (RAM) سعة 64 جيجابايت، وبطاقتي معالجة رسومات NVIDIA GeForce GTX 1080Ti

الخطوة 3: اكتشاف الشتلات

خوارزمية الكشف: YOLO v5، خوارزمية NMS

ملاحظة: الاسم الكامل لخوارزمية NMS خوارزمية القمع غير الأقصى، خوارزمية القمع غير الأقصى

في مرحلة الشتلات، استخدم الباحثون YOLO v5 للكشف عن موضع رؤوس البروكلي واستخدموا خوارزمية NMS لدمج نتائج الكشف المتكررة داخل منطقة العازلة.

تم بعد ذلك اعتبار النقطة المركزية للصندوق المحدد موقع البروكلي، وتم فحص نتائج الكشف يدويًا وتعديلها في نظام المعلومات الجغرافية مفتوح المصدر Quantum GIS للتأكد من عدم تفويت أي اكتشافات أو تكرارها.

سير عمل اختبار شتلات البروكلي

الخطوة 4: تقسيم الرأس

نموذج التجزئة: BiSeNet v2

عملية قطع رأس البروكلي

أثناء التجربة، من أجل تقليل عبء العمل المتمثل في شرح ومعالجة بيانات التعلم العميق والقضاء على تأثير بعض التربة والأعشاب الضارة،استخدم الباحثون دمج بيانات السلاسل الزمنية كدليل.تم تقليص مساحة المعالجة وتم استخدام مساحة مربعة فقط حول الشتلات (حوالي 100 × 100 بكسل، أكبر قليلاً من رأس البروكلي) لتجزئة رأس البروكلي.

أيضًا،كما استخدم الباحثون أيضًا التعليقات التفاعلية لتقليل عبء العمل المتعلق بتعليق البيانات.

ملاحظة: يشير التعليق التفاعلي إلى استخدام طريقة ذكية تعتمد على الخوارزمية لتحديد عينات التعليق لتعظيم أداء نموذج التعلم العميق وتقليل تكاليف التعليق.

استخدم الباحثون أداة التعليق التوضيحي على الصور مفتوحة المصدر LabelMe.يتم تدريب نموذج التجزئة على كمية صغيرة من بيانات التدريب الأولية التي يتم تصنيفها يدويًا. تم بعد ذلك اختيار الصور بشكل عشوائي وتطبيقها على نتائج التجزئة، والتي تم تحويلها إلى تنسيق LabelMe JSON باستخدام البرنامج النصي Python، وتم تعديل تسميات بيانات التدريب الجديدة يدويًا.

يتم تكرار هذه العملية حتى لا تكون هناك حاجة إلى تعديل نتيجة التجزئة.

الخطوة 5: إنشاء نموذج نمو للتنبؤ بحجم رأس البروكلي (حساب الحجم)

نموذج التنبؤ: نموذج الانحدار غير الخطي المستخدم للتنبؤ بطول رأس البروكلي (HD) بمرور الوقت 

T هو مجموع متوسط درجات الحرارة اليومية، مع حد أدنى يبلغ 0 درجة مئوية وحد أقصى يبلغ 20 درجة مئوية

أ، ب، ج هي المعلمات التي يجب تحديدها

الخطوة 6: إنشاء نموذج توقعات الأرباح

بناءً على دراسات أسعار السوق بالإضافة إلى نماذج النمو، يتم إنشاء نموذج توقعات الأرباح.

02 عامان من التجارب الميدانية، نموذج التجزئة يعمل بشكل جيد

عند إعداد بيانات التدريب، نأخذ في الاعتبار الفرق الواضح بين نباتات البروكلي الخضراء والتربة البنية.قام الباحثون باختيار قطاعين تمثيليين فقط كصور تدريبية.

مثال على اكتشاف موضع شتلات البروكلي (AF) لعام 2020 

حالات تقسيم الرأس (GI) عبر التعليقات التوضيحية التفاعلية

كبداية لتدريب البيانات، اختار الباحثون بشكل عشوائي صورة جوية من عام 2020 وعلقوا على حوالي 5 رؤوس بروكلي فيها بأبسط طريقة ممكنة، كما هو موضح في الشكل GI أعلاه، ثم قاموا بتدريب نموذج BiSeNet (v0) بهذه التعليقات التوضيحية.

تم بعد ذلك تطبيق نموذج v0 على صور مختارة عشوائيًا من كل مسح جوي، وقام الباحثون بتعديل نتائج التحليل يدويًا وحفظها كبيانات تدريب جديدة لنموذج v1. يتم تكرار هذه الخطوة بشكل تكراري حتى يحقق النموذج نتائج تقسيم أفضل، وبالتالي تشكيل نموذج v2.

بعد 4 تكرارات، تم تحسين أداء النموذج بشكل كبير، حيث وصل إلى IoU متوسط (تقاطع على اتحاد) بقيمة 88.33 %.

وبالإضافة إلى ذلك، للتحقق من دقة قياسات الطائرات بدون طيار لـ HD، قام الباحثون بمقارنة النتائج مع بيانات القياس اليدوي في الموقع.

مقارنة بيانات قياس الطائرات بدون طيار مع بيانات القياس الميداني اليدوي

وأظهرت النتائج أن التوزيع الإجمالي لبيانات حجم رأس البروكلي كان متطابقًا تقريبًا بين الاثنين، مع معامل التحديد R²≥0.57.بشكل عام، كانت القياسات المعتمدة على الطائرات بدون طيار قادرة على تحديد توزيع البروكلي عالي الدقة عبر الحقل بدقة.

03 التنبؤ بأفضل موعد للحصاد بناءً على نموذج الانحدار غير الخطي

بدأ الباحثون إجراء القياسات باستخدام الطائرات بدون طيار عندما كان قطر رأس الزهرة (HD) حوالي 3-3.5 سم.

للحصول على درجة الحرارة الطبيعية T(0) للرحلة الأولى (HD حوالي 9.5 سم)، قام الباحثون بعكس النموذج السابق لحساب T(0) من بيانات HD، كما هو موضح في الشكل أدناه. ثم يتم حساب درجة الحرارة اليومية و (Ti) للأيام اللاحقة (i) وأخيرا يتم انحدار النموذج.

وبناءً على هذا النموذج، قام الباحثون بحساب حجم رأس البروكلي بعد المسح الجوي الأول باستخدام T حيث تغير بمرور الوقت.

توضيح لمعالجة البيانات لنموذج التنبؤ بحجم رأس البروكلي

جميع الأرقام هي أمثلة فقط وليست نتائج فعلية.

أ: الأقطار المقاسة ميدانيًا في تواريخ مختلفة؛ تم استخدام اللون الفاتح كتاريخ للبدء، حيث بلغ قياس رؤوس البروكلي حوالي 3-3.5 سم. T هو مجموع متوسط درجات الحرارة اليومية. ΔTi هو الانحراف الكلي لدرجة الحرارة.

ب: قم بإعادة تشكيل الجدول السابق إلى جدول مكون من عمودين لاستخدامه في تحليل الانحدار الموضح في ج.

د: تم استخدام نموذج الانحدار السابق لتهيئة T من HD. T للأيام اللاحقة بالإضافة إلى الانحراف ΔTi.

هـ: استخدم البيانات السابقة لنموذج التنبؤ بالانحدار من T إلى HD.

تم حساب الدخل باستخدام قطر رأس الزهرة (HD) الذي تنبأت به الطائرات بدون طيار، وتم حساب عدد الأفراد لكل معيار حجم في كل تاريخ.

وأخيرا، تم حساب إجمالي الإيرادات لكل تاريخ حصاد عن طريق ضرب الكمية وسعر الشحن لكل فئة حجم.يتم اختيار التاريخ الذي يتمتع بأعلى دخل باعتباره تاريخ الحصاد الأمثل.

04 اختلاف بسيط في موعد الحصاد قد يؤدي إلى اختلاف كبير في الأرباح لمزارعي الخضروات

وبناءً على نماذج التهيئة والتنبؤ، قام فريق البحث بحساب توزيع جميع أحجام البروكلي خلال فترة الحصاد، ثم قام بحساب نسبة البروكلي غير القياسي والإيرادات الإجمالية لجميع التمور.

في تجربة عام 2020، كان يوم 23 مايو هو تاريخ الحصاد الأمثل، وهو التاريخ الذي تم فيه تقليل نسبة البروكلي غير القياسي الحجم وتعظيم الإيرادات الإجمالية. وفي تجربة عام 2021، تم تحديد يوم 17 مايو باعتباره التاريخ الأمثل للحصاد.

وفي الوقت نفسه، وجد الباحثون أن انحراف موعد الحصاد بيوم واحد عن التاريخ الأمثل قد يؤدي إلى خسارة كبيرة في الدخل - انخفاض بمقدار 3.7% إلى 20.4%.

توزيع HD المتوقع في تجارب عامي 2020 و2021، بالإضافة إلى نسبة البروكلي غير القياسي والإيرادات الإجمالية، مع كون البرتقالي والأصفر هما تاريخ الحصاد الأمثل

وبالإضافة إلى ذلك، أظهرت هذه الدراسة أنلقد تغيرت نسبة البروكلي غير القياسي والإيرادات الإجمالية بسرعة مع تاريخ الحصاد.على سبيل المثال، فإن قطف البروكلي قبل يوم واحد أو بعده بيوم واحد من أفضل موعد للحصاد من شأنه أن يزيد من كمية البروكلي غير القياسي الحجم بنحو 5% ويقلل من إجمالي الإيرادات بنحو 20%، في حين أن قطف البروكلي بعد يومين من أفضل موعد للحصاد من شأنه أن يزيد من كمية البروكلي غير القياسي الحجم بنحو 15% ويقلل من إجمالي الربح بنحو 40%.

05 تعمل التكنولوجيا الذكية على إصلاح نموذج العمل التقليدي

"إن الغذاء هو الضرورة الأولى للشعب، والزراعة هي مصدر الغذاء." إن أهمية الزراعة للمجتمع البشري لا تحتاج إلى تفصيل. وفي الوقت نفسه، وباعتبارها ركيزة مهمة للتنمية الاجتماعية والاقتصادية، تعد الزراعة أيضًا واحدة من أوائل الصناعات التي انخرطت في التحديث الذكي.بدأت أنظمة كشف الأراضي الزراعية المختلفة ومعدات الري الذكية ومعدات الحصاد غير المأهولة العمل بجد في الحقول.

مع التركيز على تطبيق الطائرات بدون طيار في الزراعة، ومع التطوير المستمر لتقنيات مثل 5G، والرؤية الآلية، والبيانات الضخمة، فقد دخلت أيضًا منازل الناس العاديين.

في البداية، كانت الطائرات بدون طيار مسؤولة بشكل أساسي عن أعمال حماية النباتات، كما أن تطبيقها الأكثر كفاءة وتوحيدًا للأسمدة والمبيدات الحشرية ساهم في توفير الكثير من القوى العاملة وتكاليف الوقت. وفي وقت لاحق، أصبحت تقنية التصوير الجوي أكثر نضجًا، وانخفضت تكلفتها، مما جعلها تثير المزيد من الشرارات مع الزراعة. أصبحت التطبيقات مثل فحص الأراضي الزراعية باستخدام الطائرات بدون طيار وتصور نمو المحاصيل من أبرز ما يميز الزراعة الجديدة.

ومن المتوقع أنومع استمرار تنفيذ التقنيات المرتبطة بالذكاء الاصطناعي، فإن النتائج الأكثر تقدماً سوف تنتقل من المختبر إلى الأراضي الزراعية، مما يؤدي إلى تحسين طريقة العمل "مواجهة الأرض والعودة إلى السماء".

روابط مرجعية:

[1]https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4