استخدام كاميرا قياسية RGB و AI للحصول على بيانات الغطاء النباتي

تعد الصور الجوية مكونًا قيمًا للزراعة الدقيقة ، حيث تزود المزارعين بمعلومات مهمة حول صحة المحاصيل والإنتاجية. يتم الحصول على الصور عادةً بكاميرا باهظة الثمن متعددة الأطياف متصلة بطائرة بدون طيار. لكن دراسة جديدة من جامعة إلينوي وجامعة ولاية ميسيسيبي (MSU) تظهر أن الصور من الكاميرا القياسية ذات اللون الأحمر والأخضر والأزرق (RGB) جنبًا إلى جنب مع التعلم العميق بالذكاء الاصطناعي يمكن أن توفر أدوات التنبؤ بالمحاصيل المكافئة لجزء بسيط من التكلفة.

توفر الكاميرات متعددة الأطياف خرائط ملونة تمثل الغطاء النباتي لمساعدة المزارعين على مراقبة صحة النبات ومناطق المشكلات الموضعية. تظهر مؤشرات الغطاء النباتي مثل فهرس الغطاء النباتي للاختلاف الطبيعي (NDVI) ومؤشر الفروق الطبيعية للحافة الحمراء (NDRE) المناطق الصحية باللون الأخضر ، بينما تظهر المناطق التي بها مشكلات باللون الأحمر.

"عادة ، للقيام بذلك ، ستحتاج إلى كاميرا الأشعة تحت الحمراء القريبة (NIR) التي تكلف حوالي 5,000 دولار. لكننا أظهرنا أنه يمكننا تدريب الذكاء الاصطناعي على إنشاء صور تشبه NDVI باستخدام كاميرا RGB متصلة بطائرة بدون طيار منخفضة التكلفة ، وهذا يقلل التكلفة بشكل كبير ، كما يقول جيريش شودري ، الأستاذ المشارك في قسم الهندسة الزراعية والبيولوجية في U من أنا والمؤلف المشارك على الورق.

في هذه الدراسة ، جمع فريق البحث صورًا جوية من حقول الذرة وفول الصويا والقطن في مراحل نمو مختلفة باستخدام كاميرا متعددة الأطياف وكاميرا RGB. استخدموا Pix2Pix ، أ الشبكة العصبية مصمم لتحويل الصور ، لترجمة صور RGB إلى خرائط ألوان NDVI و NDRE باللون الأحمر و مساحات خضراء. بعد تدريب الشبكة أولاً على عدد كبير من الصور متعددة الأطياف والعادية ، اختبروا قدرتها على إنشاء صور NDVI / NDRE من مجموعة أخرى من الصور العادية.

"يوجد مؤشر أخضر عاكس في الصور يشير إلى كفاءة التمثيل الضوئي. إنه ينعكس قليلاً في القناة الخضراء ، والكثير في قناة الأشعة تحت الحمراء القريبة. لكننا أنشأنا شبكة يمكنها استخراجها من القناة الخضراء من خلال تدريبها على قناة NIR. وهذا يعني أننا نحتاج فقط إلى القناة الخضراء ، جنبًا إلى جنب مع المعلومات السياقية الأخرى مثل وحدات البكسل باللون الأحمر والأزرق والأخضر ، "يشرح شودري.

لاختبار دقة الصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي ، طلب الباحثون من لجنة من المتخصصين في المحاصيل عرض الصور جنبًا إلى جنب لنفس المناطق ، إما تم إنشاؤها بواسطة الذكاء الاصطناعي أو تم التقاطها بكاميرا متعددة الأطياف. أشار المتخصصون إلى ما إذا كان بإمكانهم تحديد الصورة الحقيقية متعددة الأطياف ، وما إذا كانوا قد لاحظوا أي اختلافات من شأنها أن تؤثر على اتخاذ قرارهم.

لم يجد الخبراء أي اختلافات ملحوظة بين مجموعتي الصور ، وأشاروا إلى أنهم سيقدمون تنبؤات مماثلة من كليهما. اختبر فريق البحث أيضًا مقارنة الصور من خلال الإجراءات الإحصائية ، وأكدوا عدم وجود فروق قابلة للقياس تقريبًا بينهم.

يحذر Joby Czarnecki ، أستاذ باحث مشارك في MSU والمؤلف المشارك في الورقة ، من أن هذا لا يعني أن مجموعتي الصور متطابقتان.

"بينما لا يمكننا أن نقول صور ستوفر نفس المعلومات في ظل جميع الظروف ، بالنسبة لهذه المسألة بالذات ، فإنها تسمح باتخاذ قرارات مماثلة. يمكن أن يكون انعكاس الأشعة تحت الحمراء القريبة أمرًا بالغ الأهمية لبعض قرارات المصنع. ومع ذلك ، في هذه الحالة بالذات ، من المثير أن تظهر دراستنا أنه يمكنك استبدال تقنية باهظة الثمن بذكاء اصطناعي غير مكلف وأن تتوصل إلى نفس القرار ".

يمكن أن يوفر العرض الجوي معلومات يصعب الحصول عليها من الأرض. على سبيل المثال ، قد لا تكون مناطق تلف العاصفة أو نقص المغذيات مرئية بسهولة على مستوى العين ، ولكن يمكن رصدها بسهولة من الهواء. قد يختار المزارعون الذين لديهم التصاريح المناسبة قيادة طائراتهم بدون طيار ، أو قد يتعاقدون مع أ شركة خاصة لنفعل ذلك. في كلتا الحالتين ، توفر الخرائط الملونة معلومات مهمة عن صحة المحاصيل ضرورية لقرارات الإدارة.

تتوفر برامج وإجراءات الذكاء الاصطناعي المستخدمة في الدراسة للشركات التي ترغب في تنفيذها أو توسيع الاستخدام من خلال تدريب الشبكة على مجموعات بيانات إضافية.

"هناك الكثير من الإمكانات في الذكاء الاصطناعي للمساعدة في تقليل التكاليف ، وهو محرك رئيسي للعديد من التطبيقات في الزراعة. إذا كان بإمكانك جعل طائرة بدون طيار بقيمة 600 دولار أكثر فائدة ، فيمكن للجميع الوصول إليها. وستساعد المعلومات المزارعين على تحسين الغلة وأن يكونوا حراسًا أفضل لأراضيهم ".

يقع قسم الهندسة الزراعية والبيولوجية في كلية العلوم الزراعية وعلوم المستهلك والبيئة وكلية غرينغر للهندسة في جامعة إلينوي.

استخدم ورقة، "توقع NDVI / NDRE من RGB القياسي الصور الجوية باستخدام التعلم العميق ، "تم نشره في أجهزة الكمبيوتر والإلكترونيات في الزراعة.