Анотація
Бур'яни на полуничних полях швидко розмножуються, позбавляючи розсаду полуниці поживних речовин і світла, підвищуючи місцеву температуру навколишнього середовища і слугуючи проміжними господарями для шкідників і хвороб, прискорюючи їх появу і поширення. Щоб вирішити проблему боротьби з бур’янами під час вирощування розсади полуниці, у цій статті розроблено автономний лазерний робот для прополки полуничних полів на основі DIN-LW-YOLO. По-перше, створюючи набори даних із полуничних полів у різних середовищах, ми пропонуємо DIN-LW-YOLO: метод виявлення для навігації по трубах крапельного зрошення та лазерної прополки, який може виявляти розсаду полуниці, бур’яни, труби для крапельного зрошення та точки росту бур’янів у реальному-часі. Модель створює передбачувані головки на картах функцій із високою-роздільністю позиції YOLOv8-. Модуль уваги EMA додається перед головою передбачення та модулем Spatial Pyramid Pooling Fast (SPPF) для фіксації парних зв’язків-на рівні пікселів. Цей підхід краще використовує детальну інформацію з карт неглибоких об’єктів, покращуючи виявлення малих цілей. Крім того, згортки, що деформуються, використовуються для адаптивного захоплення об’єктів цілі, замінюючи другу згортку в структурі вузького місця модуля об’єднання функцій, покращуючи виявлення подовжених об’єктів труби крапельного зрошення. Далі DIN-LW-YOLO інтегровано в робота для лазерної прополки. Система керування визначає траєкторію навігації на основі ширини труби крапельного зрошення для контролю зі зворотним зв’язком і позиціонує лазерну ціль, отримуючи координати точок росту бур’янів відносно сходів полуниці та труб крапельного зрошення, досягаючи автономних операцій лазерної прополки. Результати випробувань показують, що модель DIN-LW-YOLO демонструє високу ефективність розпізнавання даних про полуницю в різних середовищах і на різних стадіях росту. Середня точність моделі (mAP) у регіональному та точковому виявленні цілей становить 88,5% і 85,0% відповідно, покращившись на 1,9% і 2,6% порівняно з оригінальною моделлю, що відповідає вимогам автономного лазерного робота для видалення бур’янів у режимі реального часу. Результати польових випробувань свідчать про контроль бур’янів і рівень пошкодження сходів 92,6% і 1,2% відповідно, що відповідає агротехнічним вимогам для механічної прополки на полях полуниці. Отримані результати сприяють розробці інтелектуального сільськогосподарського обладнання та сприяють застосуванню машинного зору для захисту врожаю полуниці.
вступ
Суниця — багаторічна трав'яниста рослина родини розоцвітих, яка зазвичай розмножується вегетативно через столони. Низькорослі рослини полуниці дуже чутливі до навколишніх бур’янів як у розсаднику, так і в полі. Енергійні бур’яни не тільки змагаються за поживні речовини та світло, підвищуючи місцеву температуру навколишнього середовища, але також служать проміжними господарями для шкідників і хвороб, прискорюючи їх поширення. А отже, боротьба з бур’янами безпосередньо впливає на врожайність і якість полуниці. Зазвичай застосовувані до- та після-гербіциди негативно впливають на врожайність, навколишнє середовище та здоров’я працівників (Huang et al., 2018). Rabier та ін. (2017) зазначив, що механічні прополювачі менш ефективні, ніж гербіциди, оскільки звичайні прополювачі (наприклад, мотики, роторні леза) не можуть спеціально боротися з внутрішньорядними бур’янами. Крім того, порушення ґрунту внаслідок обробки може завдати шкоди корисним ґрунтовим організмам, таким як дощові черв’яки, і призвести до ерозії ґрунту та вимивання поживних речовин (Chatterjee & Lal, 2009). Занепокоєння щодо сучасних методів боротьби з бур’янами підкреслює потребу в інноваційних рішеннях, серед яких багатообіцяючим є лазерний-контроль бур’янів (Tran et al., 2023).
У сфері лазерного -контролю бур’янів різноманітні досягнення неухильно сприяли розвитку технології. Heisel та ін. (2001) вперше застосували лазерні промені для зрізання стебел бур’янів для боротьби з бур’янами. Пізніше Mathiassen et al. (2006) провели-поглиблене дослідження впливу лазерної обробки на придушення бур’янів, виявивши, що вплив лазера на апікальні меристеми бур’янів значно знижує ріст і є смертельним для деяких видів бур’янів. Надімі та ін. (2009) розробили лазерний пристрій для тестування бур’янів для імітації динамічного націлювання на бур’яни. Згодом Маркс та ін. (2012) експериментально продемонстрували, що ефективний контроль бур’янів вимагає точного націлювання меристем за допомогою ЧПУ (комп’ютерного числового керування), тоді як Ge et al. (2013) і Xuelei et al. (2016) кожен із них запропонував концепт роботизованої руки для лазерної прополки. Арса та ін. (2023) представив згортову нейронну мережу з архітектурою кодера-декодера для виявлення точок росту бур’янів, підкреслюючи важливість і доцільність виявлення-точок росту для точного лазерного націлювання в цій технології. Разом ці дослідження систематично вдосконалювали лазерну-технологію боротьби з бур’янами в різних вимірах.
Останніми роками, щоб вирішити проблеми з прополкою полів, дослідники застосували методи глибокого навчання для виявлення бур’янів на полях посівів. Гао та ін. (2020) розробили метод із використанням глибокої згорткової нейронної мережі (CNN) на основі YOLOv3-, щоб відрізнити цукровий буряк від бур’янів, тоді як Джабір та ін. (2021) застосував чотири мережеві архітектури-Detectron 2, EfficientDet, YOLO та Faster R-CNN-, щоб відрізнити орхідеї від вьюнків, вибравши найбільш підходящу структуру для виявлення бур’янів. Чен та ін. (2022) удосконалив модель YOLOv4, включивши модуль SE як логічний рівень у SPP і додавши локалізоване об’єднання важливості, звернувшись до зміни цільових розмірів і значно підвищивши ефективність і точність розпізнавання бур’янів на кунжутних полях. Вісентін та ін. (2023) продемонстрували гібридну автономну роботизовану систему видалення бур’янів, яка забезпечує інтелектуальне та автоматизоване видалення бур’янів. Шао та ін. (2023) розглянув складні проблеми на рисових полях-, такі як відбиття води, фон ґрунту, перекриття росту та різноманітне освітлення-, запропонувавши вдосконалену модель глибокого навчання GTCBS-YOLOv5s для ідентифікації шести типів бур’янів. Фан та ін. (2023) створили інтегровану модель виявлення та боротьби з бур’янами, використовуючи модуль CBAM, структуру BiFPN та алгоритм білінійної інтерполяції. Сю та ін. (2023) представили новий підхід, який поєднує індекси видимого кольору з методом сегментації екземплярів на основі архітектури кодера-декодера, ефективно вирішуючи завдання точного виявлення та сегментування бур’янів серед щільно засіяних посівів сої. Ляо та ін. (2024) запропонував нову модель смугової згорткової мережі (SC-Net), яка досягла показників mIoU 87,48 % і 89,00 % на нестандартних проростках рису та публічних наборах сільськогосподарських даних, демонструючи високу точність і стабільність. Ronay та ін. (2024) оцінили продуктивність SMA в оцінці покриття бур’янів на різних стадіях росту, а також у спектральній і просторовій роздільній здатності. Рай і Сан (2024) розробили одноетапну-архітектуру глибокого навчання, здатну як локалізувати обмежувальну рамку, так і сегментувати бур’яни-на рівні пікселів у зображеннях дистанційного зондування, отриманих за допомогою БПЛА.
Підсумовуючи, поточні дослідження в першу чергу зосереджені на відмінності сільськогосподарських культур від бур’янів. Однак для лазерної прополки на полуничних полях важливо не лише ідентифікувати бур’яни, але й виявити труби крапельного зрошення та локалізувати координати точки росту бур’янів, щоб забезпечити точні операції прополки. Використання труб крапельного зрошення для навігації по полю додає функціональність єдиній моделі мережі, оптимізуючи обчислювальні ресурси. Тим не менш, різні розміри рослин полуниці, тонкі водопровідні труби та складні умови, такі як перекривання розсади полуниці та труб, а також щільні скупчення бур’янів створюють значні проблеми для точного вилучення та вивчення особливостей бур’янів, розсади полуниці, зрошувальних труб і точок росту бур’янів на полуничних полях.
Базуючись на наведеному вище контексті, це дослідження має на меті: (1) створити набір даних, що охоплює різні умови та стадії росту полуничних полів, труб крапельного зрошення, бур’янів і точок росту бур’янів; (2) запропонувати модель DIN-LW-YOLO для точного виявлення полуничних полів, труб крапельного зрошення, бур’янів і точок росту бур’янів; (3) розробити систему керування на основі моделі DIN-LW-YOLO для керування навігацією-в реальному часі та лазерним націлюванням для робота-прополювача; і (4) провести польові випробування, розгорнувши робота для лазерної прополки на полуничних полях, щоб оцінити його ефективність автономної лазерної прополки в реальних польових умовах.
