تحديد إجهاد محصول البطاطا في الصور الجوية باستخدام الكشف عن الكائنات القائم على التعلم العميق

أظهرت الأبحاث الحديثة المتعلقة بتطبيق الاستشعار عن بعد وتحليل الذكاء الاصطناعي العميق في الزراعة الدقيقة إمكانية تحسين إدارة المحاصيل وتقليل الآثار البيئية الناتجة عن الإنتاج الزراعي. وعلى الرغم من النتائج الواعدة، فإن الجدوى العملية لهذه التقنيات في التطبيقات الميدانية تتطلب خوارزميات مبتكرة مخصصة لتحليل الصور الزراعية وقوية في التنفيذ على الصور الميدانية الطبيعية. يقدم هذا البحث منهجية لتحليل الصور الجوية لمحصول البطاطا (Solanum tuberosum L.) باستخدام الشبكات العصبية العميقة. والهدف الرئيسي هو إظهار القدرة على التعرف التلقائي على الحالة الصحية مقابل الحالة المتأثرة بالتوتر على مستوى النبات. وبشكل خاص، ندرس عملية الشيخوخة المبكرة للنباتات الناتجة عن الإجهاد الناتج عن الجفاف في نباتات البطاطا من صنف راسيت بيربانك. ونُقدِّم نموذجًا جديدًا للذكاء الاصطناعي العميق (DL) للكشف عن الإجهاد الزراعي، يُسمى Retina-UNet-Ag. ويشكّل هذا الهيكل المُقترح نسخة معدلة من Retina-UNet، ويتضمن روابط من خرائط التمثيل الدلالي من المستوى المنخفض إلى شبكة الهرم المميز (Feature Pyramid Network). كما يُقدَّم في الورقة مجموعة بيانات مكوَّنة من صور ميدانية جوية تم جمعها باستخدام كاميرا Parrot Sequoia، وتتضمن مربعات حدودية تم تحديدها يدويًا لمناطق النباتات الصحية والمتضررة. أظهرت التحقق التجريبي القدرة على التمييز بين النباتات الصحية والمتضررة في الصور الميدانية، حيث حقق النموذج متوسط معامل ديس (Dice Score Coefficient) البالغ 0.74. وعند مقارنة النهج المقدم مع النماذج الحديثة ذات المستوى الراقي في مجال كشف الكائنات، أظهرت النتائج فعالية النهج المقترح في هذا المهمة. ويشير هذا الأسلوب المُقترح إلى إمكانية تقييم وتحديد إجهاد محصول البطاطا في الصور الجوية المُجمعة في الظروف الطبيعية.