Abstraktní
Plevele na jahodových polích se rychle množí, zbavují sazenice jahodníku živin a světla, zvyšují místní teplotu prostředí a slouží jako mezihostitelé škůdců a chorob, urychlují jejich výskyt a šíření. Tento článek navrhuje autonomního laserového pletacího robota pro jahodová pole na základě DIN-LW-YOLO, aby se zabýval otázkou kontroly plevele při pěstování sazenic jahodníku. Za prvé, vytvořením datových souborů z jahodových polí v různých prostředích navrhujeme DIN-LW-YOLO: metodu detekce pro navigaci v potrubí kapkové závlahy a laserové odstraňování plevele, která dokáže detekovat sazenice jahod, plevel, potrubí kapkové závlahy a body růstu plevele v reálném-čase. Model konstruuje predikční hlavy na-mapách prvků s vysokým rozlišením pozice YOLOv8-. Před predikční hlavu a modul SPPF (Spatial Pyramid Pooling Fast) je přidán modul pozornosti EMA, který zachycuje párové vztahy na{15}}úrovni pixelů. Tento přístup lépe využívá podrobné informace z mělkých map objektů a zlepšuje detekci malých cílů. Kromě toho se k adaptivnímu zachycení cílových prvků používají deformovatelné konvoluce, které nahrazují druhou konvoluci ve struktuře úzkého hrdla modulu pro fúzi prvků, čímž se zlepšuje detekce podlouhlých cílů odkapávacích irigačních trubek. Dále je DIN-LW-YOLO integrován do laserového odplevelovacího robota. Řídicí systém určuje navigační dráhu na základě šířky kapací závlahové trubky pro zpětnovazební řízení a umístí laserový cíl získáním souřadnic bodů růstu plevele vzhledem k sazenicím jahodníku a kapacím závlahovým trubkám, čímž se dosáhne autonomních operací laserového odstraňování plevele. Výsledky testů ukazují, že model DIN-LW-YOLO vykazuje silný rozpoznávací výkon na datech jahodových polí v různých prostředích a fázích růstu. Průměrná přesnost (mAP) modelu v regionální a bodové detekci cíle je 88,5 % a 85,0 %, což je zlepšení o 1,9 % a 2,6 % ve srovnání s původním modelem, což splňuje požadavky na provoz v reálném čase autonomního laserového odplevelovacího robota. Výsledky polních testů naznačují míru hubení plevele a poškození sazenic 92,6 % a 1,2 %, v daném pořadí, splňující agronomické požadavky na mechanické odplevelování na jahodových polích. Zjištění přispívají k navrhování inteligentních zemědělských zařízení a podporují aplikaci strojového vidění při ochraně jahod.
Zavedení
Jahody jsou vytrvalé bylinné rostliny z čeledi Rosaceae, typicky množené vegetativně prostřednictvím stolonů. Nízko rostoucí rostliny jahodníku jsou vysoce náchylné k okolním plevelům ve školkách i na polích. Bujné plevele nejen soutěží o živiny a světlo, čímž zvyšují místní teplotu prostředí, ale slouží také jako mezihostitelé škůdců a chorob, čímž se urychluje jejich šíření. V důsledku toho kontrola plevele přímo ovlivňuje výnos a kvalitu jahod. Běžně používané pre- a post-herbicidy negativně ovlivňují výnos, životní prostředí a zdraví pracovníků (Huang et al., 2018). Rabier a kol. (2017) poznamenali, že mechanické odstraňovače plevele jsou méně účinné než herbicidy, protože konvenční odstraňovače plevele (např. motyky, rotační nože) nemohou specificky cílit na vnitrořádkové plevele. Kromě toho může narušení půdy při zpracování půdy poškodit prospěšné půdní organismy, jako jsou žížaly, a vést k erozi půdy a vyplavování živin (Chatterjee & Lal, 2009). Obavy ze současných metod kontroly plevele podtrhují potřebu inovativních řešení, mezi nimiž je příslibem hubení plevele-na laserové bázi (Tran et al., 2023).
V oblasti laserové-regulace plevele urychluje vývoj této technologie různé pokroky. Heisel a kol. (2001) propagoval použití laserových paprsků k řezání stonků plevele pro kontrolu plevele. Později Mathiassen et al. (2006) provedli-hloubkovou studii účinků laserového ošetření na potlačení plevele a zjistili, že vystavení apikálním meristémům plevelů laserem významně snižuje růst a je pro určité druhy plevelů smrtelné. Nadimi a kol. (2009) navrhl laserové zařízení na testování plevele pro simulaci dynamického cílení plevelů. Následně Marx a spol. (2012) experimentálně prokázali, že účinná kontrola plevele vyžaduje přesné zaměřování meristémů CNC (Computer Numerical Control), zatímco Ge et al. (2013) a Xuelei et al. (2016) každý navrhl koncepty robotických ramen pro laserové odstraňování plevele. Arsa a kol. (2023) představili konvoluční neuronovou síť s kodérovou-architekturou dekodéru pro detekci růstových bodů plevele, čímž zdůraznili význam a proveditelnost{22}}detekce růstových{22}}bodů pro přesné laserové cílení v této technologii. Tyto studie společně systematicky vylepšují laserovou-technologii hubení plevele v různých dimenzích.
V posledních letech výzkumníci použili techniky hlubokého učení pro detekci plevele na polích, aby se vypořádali s problémy s plevelem na polích. Gao a kol. (2020) vyvinuli metodu využívající YOLOv3-založenou hlubokou konvoluční neuronovou síť (CNN) k rozlišení cukrové řepy od plevele, zatímco Jabir et al. (2021) aplikovali čtyři síťové architektury-Detectron 2, EfficientDet, YOLO a Faster R-CNN-, aby odlišili orchideje od konvolvulusů a vybrali nejvhodnější strukturu pro detekci plevele. Chen a kol. (2022) vylepšili model YOLOv4 začleněním modulu SE jako logické vrstvy do SPP a přidáním lokalizovaného sdružování důležitosti, řešením změn v cílových velikostech a výrazným zvýšením účinnosti a přesnosti rozpoznávání plevele v sezamových polích. Visentin a kol. (2023) demonstrovali hybridní autonomní robotický systém odstraňování plevele, který dosáhl inteligentního a automatizovaného odstraňování plevele. Shao a kol. (2023) se zabývali komplexními problémy na rýžových polích-jako je odraz vody, pozadí půdy, překrývající se růst a různé osvětlení-navržením vylepšeného modelu hlubokého učení GTCBS-YOLOv5s, který identifikuje šest typů plevelů. Fan a kol. (2023) vytvořili integrovaný model detekce a managementu plevele pomocí modulu CBAM, struktury BiFPN a algoritmu bilineární interpolace. Xu a kol. (2023) představili nový přístup, který kombinuje viditelné barevné indexy s metodou segmentace instancí založenou na architektuře kodéru-dekodéru, čímž účinně řeší problém přesné detekce a segmentace plevelů mezi hustě pěstovanými plodinami sóji. Liao a kol. (2024) navrhl nový model Strip Convolutional Network (SC-Net), který dosáhl skóre mIoU 87,48 % a 89,00 % u vlastních sadby rýže a veřejných zemědělských datových sad, což prokázalo vysokou přesnost a stabilitu. Ronay a kol. (2024) hodnotili výkonnost SMA při odhadu pokrytí plevelem v různých fázích růstu a také ve spektrálním a prostorovém rozlišení. Rai and Sun (2024) vyvinuli jednostupňovou-architekturu hlubokého učení schopnou jak lokalizace bounding boxu, tak{44}}úrovňové segmentace plevelů na úrovni pixelů v obrázcích dálkového průzkumu pořízených UAV.
Souhrnně řečeno, současný výzkum se primárně zaměřuje na rozlišení plodin od plevelů. Pro laserové pletí na jahodových polích je však nezbytné nejen identifikovat plevel, ale také detekovat potrubí kapkové závlahy a lokalizovat souřadnice bodu růstu plevele, aby bylo možné provádět přesné operace plevele. Využití trubek kapkové závlahy pro polní navigaci přidává funkčnost do jediného síťového modelu a optimalizuje výpočetní zdroje. Nicméně různé velikosti jahodových rostlin, štíhlé vodovodní potrubí a složité podmínky, jako je překrývání sazenic jahod a potrubí, stejně jako hustě nahromaděné plevele, představují značné problémy pro přesné extrahování a poznávání vlastností plevelů, sazenic jahod, zavlažovacích potrubí a míst růstu plevele na jahodových polích.
Na základě výše uvedeného kontextu si tato studie klade za cíl: (1) vytvořit soubor dat pokrývající různé růstové podmínky a fáze pro jahodová pole, zavlažovací potrubí, plevel a místa růstu plevele; (2) navrhnout model DIN-LW-YOLO pro přesnou detekci jahodových polí, potrubí kapkové závlahy, plevelů a míst růstu plevele; (3) vyvinout řídicí systém založený na modelu DIN-LW-YOLO pro řízení navigace-v reálném čase a laserového zaměřování pro odplevelovací robot; a (4) provádět polní pokusy nasazením laserového pletacího robota na jahodová pole za účelem vyhodnocení jeho výkonu autonomního laserového pletí v reálných polních podmínkách.
