El arroz es uno de los cultivos más significativos cultivados en países asiáticos. En Taiwán, casi la mitad de la tierra arable se utiliza para cultivar arroz. El ciclo de vida del arroz de regadío se puede dividir en varias etapas: etapa vegetativa, etapa reproductiva y etapa de maduración. Estas tres etapas principales se pueden dividir en etapas más detalladas. Sin embargo, las transiciones entre las etapas son difíciles de observar y determinar, por lo que se requiere experiencia. Por lo tanto, el cultivo de arroz es un desafío para los cultivadores inexpertos, incluso con el estándar de procedimiento (SOP) proporcionado. Además, el envejecimiento y los problemas laborales han tenido un impacto en la agricultura. Además, la agricultura inteligente ha crecido rápidamente en los últimos años y ha mejorado la agricultura de muchas maneras. Para reducir los requisitos de entrada y ayudar a los principiantes a comprender mejor, propusimos un modelo de clasificación de aprendizaje automático (ML) basado en bosques aleatorios (RF) para las etapas de crecimiento del arroz. La configuración experimental instalada en los campos de experimentación consta de una cámara inteligente HD (Speed-dome) para recopilar datos de imagen y video, junto con otros dispositivos de Internet de las cosas (IoT) como sensores de suelo 7 en 1, una estación de monitoreo del clima, medidor de flujo y milómetro conectados con una estación base LoRa para datos numéricos. Luego, se utilizaron diferentes técnicas de procesamiento de imágenes como detección de objetos, clasificación de objetos, segmentación de instancias, índice de verde excesivo (EGI) e índice de verde excesivo modificado (EGI) para calcular la altura del arroz y la cobertura del dosel (CC) o cobertura verde (GC). El modelo ML propuesto utiliza estos valores como entrada. Además, factores relacionados con el crecimiento como la altura, CC, temperatura acumulada y DAT se utilizan para desarrollar nuestro modelo. Se consultó a un agrónomo para etiquetar las diferentes etapas de datos recopilados. El modelo óptimo desarrollado ha logrado una precisión de 0.98772 y un macro puntaje F1 de 0.98653. Por lo tanto, el modelo desarrollado produce una precisión de alto rendimiento y se puede emplear en escenarios del mundo real.