Abstract
Buruienile din câmpurile de căpșuni se reproduc rapid, lipsind răsadurile de căpșuni de nutrienți și lumină, crescând temperatura mediului local și servesc drept gazde intermediare pentru dăunători și boli, accelerând apariția și răspândirea acestora. Pentru a aborda problema controlului buruienilor în timpul cultivării răsadurilor de căpșuni, această lucrare proiectează un robot autonom de plivire cu laser pentru câmpurile de căpșuni, bazat pe DIN-LW-YOLO. În primul rând, prin stabilirea seturilor de date din câmpurile de căpșuni în diferite medii, propunem DIN-LW{-YOLO: o metodă de detectare pentru navigarea prin conducte de irigare prin picurare și plivirea cu laser, care poate detecta răsaduri de căpșuni, buruieni, conducte de irigare prin picurare și punctele de creștere a buruienilor în timp real-. Modelul construiește capete de predicție pe hărți de caracteristici de înaltă-rezoluție ale pozei YOLOv8-. Un modul de atenție EMA este adăugat înaintea capului de predicție și a modulului Spatial Pyramid Pooling Fast (SPPF) pentru a captura relații de pereche la nivel de pixel-. Această abordare utilizează mai bine informații detaliate din hărțile de caracteristici superficiale, îmbunătățind detectarea țintelor mici. În plus, convoluțiile deformabile sunt utilizate pentru a capta în mod adaptiv caracteristicile țintei, înlocuind a doua convoluție din structura gâtului de sticlă a modulului de fuziune a caracteristicilor, îmbunătățind detectarea țintelor alungite ale conductelor de irigare prin picurare. Apoi, DIN-LW{-YOLO este integrat în robotul de plivire cu laser. Sistemul de control determină traseul de navigație pe baza lățimii țevii de irigare prin picurare pentru controlul feedback-ului și poziționează ținta laser prin obținerea coordonatelor punctelor de creștere a buruienilor în raport cu puieții de căpșuni și țevile de irigare prin picurare, realizând operațiuni autonome de plivire cu laser. Rezultatele testelor arată că modelul DIN-LW{-YOLO demonstrează o performanță puternică de recunoaștere a datelor din câmpul de căpșuni în diferite medii și stadii de creștere. Precizia medie (mAP) a modelului în detectarea țintei regionale și punctuale este de 88,5%, respectiv 85,0%, îmbunătățindu-se cu 1,9% și 2,6% față de modelul original, îndeplinind cerințele de funcționare în timp real ale robotului autonom de plivire cu laser. Rezultatele testelor în câmp indică controlul buruienilor și ratele de rănire a răsadurilor de 92,6% și, respectiv, 1,2%, îndeplinind cerințele agronomice pentru plivitul mecanic în câmpurile de căpșuni. Descoperirile contribuie la proiectarea echipamentelor agricole inteligente și promovează aplicarea viziunii artificiale în protecția culturilor de căpșuni.
Introducere
Căpșunile sunt plante erbacee perene din familia Rosaceae, de obicei propagate vegetativ prin stoloni. Plantele de căpșuni cu creștere redusă-sunt foarte sensibile la buruienile din jur atât în pepinieră, cât și în mediul de câmp. Buruienile viguroase nu numai că concurează pentru nutrienți și lumină, crescând temperatura mediului local, dar servesc și ca gazde intermediare pentru dăunători și boli, accelerând răspândirea acestora. În consecință, combaterea buruienilor afectează direct randamentul și calitatea căpșunilor. Erbicidele aplicate în mod obișnuit pre- și post-emergente au un impact negativ asupra producției, mediului și sănătății lucrătorilor (Huang et al., 2018). Rabier şi colab. (2017) au observat că plivitoarele mecanice sunt mai puțin eficiente decât erbicidele, deoarece plivitoarele convenționale (de exemplu, sape, lame rotative) nu pot viza în mod specific buruienile intra-rânduri. În plus, perturbarea solului cauzată de prelucrarea solului poate dăuna organismelor benefice ale solului, cum ar fi râmele, și poate duce la eroziunea solului și leșierea de nutrienți (Chatterjee & Lal, 2009). Preocupările cu privire la metodele actuale de combatere a buruienilor subliniază necesitatea unor soluții inovatoare, printre care combaterea buruienilor bazată pe laser-promite (Tran și colab., 2023).
În domeniul controlului buruienilor bazat pe laser-, diverse progrese au propulsat constant dezvoltarea tehnologiei. Heisel şi colab. (2001) au fost pionier în utilizarea fasciculelor laser pentru a tăia tulpinile buruienilor pentru controlul buruienilor. Mai târziu, Mathiassen și colab. (2006) au efectuat un studiu-aprofundat al efectelor tratamentului cu laser asupra suprimării buruienilor, constatând că expunerea cu laser la meristemele apicale a buruienilor a redus semnificativ creșterea și a fost fatală pentru anumite specii de buruieni. Nadimi și colab. (2009) au proiectat un dispozitiv de testare cu laser pentru a simula direcționarea dinamică a buruienilor. Ulterior, Marx et al. (2012) au demonstrat experimental că controlul eficient al buruienilor necesită țintirea cu precizie CNC (Computer Numerical Control) a meristemelor, în timp ce Ge și colab. (2013) și Xuelei și colab. (2016) fiecare a propus concepte de braț robotizat pentru plivitul cu laser. Arsa și colab. (2023) au introdus o rețea neuronală convoluțională cu o arhitectură de codificator-decodor pentru a detecta punctele de creștere a buruienilor, evidențiind semnificația și fezabilitatea detectării-punctului de creștere pentru țintirea precisă cu laser în această tehnologie. Împreună, aceste studii au avansat în mod sistematic tehnologia de control al buruienilor bazată pe laser-la diferite dimensiuni.
În ultimii ani, pentru a aborda provocările de plivire din câmp, cercetătorii au folosit tehnici de învățare profundă pentru detectarea buruienilor în câmpurile de cultură. Gao şi colab. (2020) au dezvoltat o metodă folosind o rețea neuronală convoluțională profundă (CNN) bazată pe YOLOv3-pentru a distinge sfecla de zahăr de buruieni, în timp ce Jabir și colab. (2021) au aplicat patru arhitecturi de rețea-Detectron 2, EfficientDet, YOLO și Faster R-CNN-pentru a diferenția orhideele de convolvulus, selectând cea mai potrivită structură pentru detectarea buruienilor. Chen şi colab. (2022) au îmbunătățit modelul YOLOv4 prin încorporarea modulului SE ca strat logic în SPP și adăugând o grupare de importanță localizată, abordând variația dimensiunilor țintei și îmbunătățind semnificativ eficiența și acuratețea recunoașterii buruienilor în câmpurile de susan. Visentin et al. (2023) au demonstrat un sistem de plivire robotizat autonom hibrid care a realizat o plivire inteligentă și automată. Shao și colab. (2023) au abordat probleme complexe în câmpurile de orez-cum ar fi reflexia apei, fundalul solului, creșterea suprapusă și iluminatul divers-prin propunerea unui model îmbunătățit de învățare profundă, GTCBS-YOLOv5s, pentru a identifica șase tipuri de buruieni. Fan şi colab. (2023) au creat un model integrat de detectare și management al buruienilor folosind modulul CBAM, structura BiFPN și algoritmul de interpolare biliniară. Xu și colab. (2023) au prezentat o nouă abordare care combină indici de culoare vizibili cu o metodă de segmentare a instanțelor bazată pe o arhitectură de codificator-decodor, abordând eficient provocarea de a detecta și segmenta cu precizie buruienile printre culturile de soia plantate dens. Liao şi colab. (2024) au propus un nou model Strip Convolutional Network (SC-Net), obținând scoruri mIoU de 87,48 % și 89,00 % pentru răsaduri personalizate de orez și seturi de date agricole publice, demonstrând precizie și stabilitate ridicate. Ronay et al. (2024) au evaluat performanța SMA în estimarea acoperirii buruienilor în diferite stadii de creștere, precum și în rezoluția spectrală și spațială. Rai și Sun (2024) au dezvoltat o arhitectură de învățare profundă într-o singură etapă, capabilă atât de localizare a casetei de delimitare, cât și de segmentare a instanțelor la nivel de pixel-de buruieni în imaginile de teledetecție achiziționate de UAV.
Pe scurt, cercetările actuale se concentrează în primul rând pe distingerea culturilor de buruieni. Cu toate acestea, pentru plivitul cu laser în câmpurile de căpșuni, este esențial nu numai identificarea buruienilor, ci și detectarea conductelor de irigare prin picurare și localizarea coordonatelor punctului de creștere a buruienilor pentru a permite operațiuni precise de plivire. Utilizarea conductelor de irigare prin picurare pentru navigarea pe câmp adaugă funcționalitate unui singur model de rețea, optimizând resursele de calcul. Cu toate acestea, dimensiunile diferite ale plantelor de căpșuni, țevile subțiri de apă și condițiile complexe, cum ar fi suprapunerea între răsaduri și țevi de căpșuni, precum și buruienile dens grupate, prezintă provocări substanțiale pentru extragerea și învățarea cu precizie a trăsăturilor buruienilor, răsadurilor de căpșuni, țevilor de irigare și punctelor de creștere a buruienilor din câmpul de căpșuni.
Pe baza contextului de mai sus, acest studiu urmărește: (1) stabilirea unui set de date care acoperă diferite condiții și etape de creștere pentru câmpurile de căpșuni, țevi de irigare prin picurare, buruieni și puncte de creștere a buruienilor; (2) propune modelul DIN-LW{-YOLO pentru a detecta cu precizie câmpurile de căpșuni, țevile de irigare prin picurare, buruienile și punctele de creștere a buruienilor; (3) dezvoltarea unui sistem de control bazat pe modelul DIN-LW{-YOLO pentru a gestiona navigarea în-în timp real și țintirea cu laser pentru robotul de plivire; și (4) să efectueze teste pe teren prin desfășurarea robotului de plivire cu laser în câmpurile de căpșuni pentru a evalua performanța sa de plivire cu laser autonomă în condiții reale de câmp.
