Povzetek
Plevel na poljih z jagodami se hitro razmnožuje, sadikam jagod jemljejo hranila in svetlobo, zvišujejo lokalno temperaturo okolja in služijo kot vmesni gostitelji za škodljivce in bolezni ter pospešujejo njihov pojav in širjenje. Da bi obravnavali vprašanje zatiranja plevela med gojenjem sadik jagod, ta članek oblikuje avtonomnega laserskega robota za odstranjevanje plevela za polja z jagodami, ki temelji na DIN-LW-YOLO. Prvič, z vzpostavitvijo naborov podatkov iz polj z jagodami v različnih okoljih predlagamo DIN-LW-YOLO: metodo zaznavanja za navigacijo cevi za kapljično namakanje in lasersko odstranjevanje plevela, ki lahko zazna sadike jagod, plevel, cevi za kapljično namakanje in točke rasti plevela v realnem-času. Model izdela napovedne glave na zemljevidih funkcij visoke-ločljivosti YOLOv8-poze. Modul pozornosti EMA je dodan pred glavo napovedi in modul Spatial Pyramid Pooling Fast (SPPF) za zajem parnih razmerij na ravni-pikslov. Ta pristop bolje uporablja podrobne informacije iz zemljevidov plitvih funkcij, s čimer izboljša zaznavanje majhnih ciljev. Poleg tega se za prilagodljivo zajemanje ciljnih funkcij uporabljajo deformabilne konvolucije, ki nadomeščajo drugo konvolucijo v strukturi ozkega grla modula za spajanje funkcij, s čimer se izboljša zaznavanje podolgovatih ciljev cevi za kapljično namakanje. Nato je DIN-LW-YOLO integriran v robota za lasersko odstranjevanje plevela. Nadzorni sistem določa navigacijsko pot na podlagi širine cevi za kapljično namakanje za povratno kontrolo in pozicionira lasersko tarčo s pridobivanjem koordinat rastnih točk plevela glede na sadike jagod in cevi za kapljično namakanje, s čimer se dosežejo avtonomne operacije laserskega odstranjevanja plevela. Rezultati testiranja kažejo, da model DIN-LW-YOLO dokazuje visoko zmogljivost prepoznavanja podatkov o polju jagod v različnih okoljih in stopnjah rasti. Povprečna natančnost modela (mAP) pri regionalnem in točkovnem zaznavanju ciljev je 88,5 % oziroma 85,0 %, kar je izboljšanje za 1,9 % oziroma 2,6 % v primerjavi z izvirnim modelom, kar izpolnjuje zahteve za delovanje v realnem času avtonomnega robota za lasersko pletje. Rezultati poljskega testiranja kažejo na zatiranje plevela in stopnjo poškodb sadik 92,6 % oziroma 1,2 %, kar izpolnjuje agronomske zahteve za mehansko pletje na poljih z jagodami. Ugotovitve prispevajo k oblikovanju inteligentne kmetijske opreme in spodbujajo uporabo strojnega vida pri zaščiti pridelka jagod.
Uvod
Jagode so trajne zelnate rastline iz družine Rosaceae, ki se običajno razmnožujejo vegetativno s stoloni. Nizko{1}}rastoče jagode so zelo dovzetne za okoliške plevele tako v drevesnicah kot na poljih. Živahni pleveli ne tekmujejo le za hranila in svetlobo, s čimer zvišujejo lokalno temperaturo okolja, ampak služijo tudi kot vmesni gostitelji za škodljivce in bolezni, ki pospešujejo njihovo širjenje. Posledično zatiranje plevela neposredno vpliva na pridelek in kakovost jagod. Običajno uporabljeni pred- in po-herbicidi negativno vplivajo na pridelek, okolje in zdravje delavcev (Huang et al., 2018). Rabier et al. (2017) so ugotovili, da so mehanska plevela manj učinkovita kot herbicidi, saj običajna plevela (npr. motike, vrtavkasta rezila) ne morejo posebej ciljati na plevel znotraj-vrst. Poleg tega lahko motnje tal zaradi obdelave škodijo koristnim talnim organizmom, kot so deževniki, in povzročijo erozijo tal in izpiranje hranil (Chatterjee & Lal, 2009). Pomisleki glede trenutnih metod zatiranja plevela poudarjajo potrebo po inovativnih rešitvah, med katerimi obeta laser-zatiranje plevela (Tran et al., 2023).
Na področju laserskega-zatiranja plevela so različni napredki vztrajno pospeševali razvoj tehnologije. Heisel et al. (2001) so pionirsko uporabili laserske žarke za rezanje stebel plevela za zatiranje plevela. Kasneje sta Mathiassen et al. (2006) je izvedel-poglobljeno študijo o učinkih laserskega zdravljenja na zatiranje plevela in ugotovil, da je laserska izpostavljenost apikalnim meristemom plevela znatno zmanjšala rast in je bila usodna za nekatere vrste plevela. Nadimi idr. (2009) so zasnovali napravo za lasersko testiranje plevela za simulacijo dinamičnega ciljanja plevela. Pozneje sta Marx et al. (2012) so eksperimentalno dokazali, da učinkovito zatiranje plevela zahteva CNC (računalniško numerično krmiljenje) natančno ciljanje meristemov, medtem ko Ge et al. (2013) in Xuelei et al. (2016) je vsak predlagal koncept robotske roke za lasersko pletje. Arsa idr. (2023) je predstavil konvolucijsko nevronsko mrežo z arhitekturo kodirnika-dekoderja za zaznavanje točk rasti plevela, pri čemer je poudaril pomen in izvedljivost zaznavanja-točke rasti za natančno lasersko ciljanje v tej tehnologiji. Te študije so skupaj sistematično izboljšale lasersko-tehnologijo zatiranja plevela v različnih dimenzijah.
V zadnjih letih so raziskovalci za reševanje izzivov s plevelom na poljih uporabili tehnike globokega učenja za odkrivanje plevela na poljih. Gao et al. (2020) so razvili metodo z uporabo globoke konvolucijske nevronske mreže (CNN), ki temelji na YOLOv3-, za razlikovanje sladkorne pese od plevela, medtem ko so Jabir et al. (2021) je uporabil štiri omrežne arhitekture-Detectron 2, EfficientDet, YOLO in Faster R-CNN-za razlikovanje med orhidejami in konvolvulusi ter izbral najprimernejšo strukturo za odkrivanje plevela. Chen et al. (2022) je izboljšal model YOLOv4 z vključitvijo modula SE kot logične plasti v SPP in dodal lokalizirano združevanje pomembnosti, obravnaval razlike v ciljnih velikostih in znatno izboljšal učinkovitost in natančnost prepoznavanja plevela na sezamovih poljih. Visentin idr. (2023) je prikazal hibridni avtonomni robotski sistem za pletje, ki je dosegel inteligentno in avtomatizirano pletje. Shao et al. (2023) je obravnaval kompleksna vprašanja na riževih poljih-, kot so odboj vode, ozadje tal, prekrivajoča se rast in raznolika osvetlitev-s predlaganjem izboljšanega modela globokega učenja, GTCBS-YOLOv5s, za prepoznavanje šestih vrst plevela. Fan et al. (2023) so ustvarili integrirani model za odkrivanje in zatiranje plevela z uporabo modula CBAM, strukture BiFPN in bilinearnega interpolacijskega algoritma. Xu et al. (2023) je predstavil nov pristop, ki združuje vidne barvne indekse z metodo segmentacije primerkov, ki temelji na arhitekturi kodirnika-dekoderja, s čimer se učinkovito spopada z izzivom natančnega odkrivanja in segmentiranja plevela med gosto posejanimi posevki soje. Liao et al. (2024) je predlagal nov model Strip Convolutional Network (SC-Net), ki je dosegel rezultate mIoU 87,48 % in 89,00 % na prilagojenih sadikih riža in javnih kmetijskih podatkovnih nizih, kar dokazuje visoko natančnost in stabilnost. Ronay et al. (2024) so ocenili delovanje SMA pri ocenjevanju pokritosti s plevelom na različnih stopnjah rasti ter pri spektralni in prostorski ločljivosti. Rai in Sun (2024) sta razvila enostopenjsko-arhitekturo globokega učenja, ki je zmožna tako lokalizacije omejevalnih okvirjev kot segmentacije primerkov plevela-na ravni slikovnih pik v slikah daljinskega zaznavanja, pridobljenih z UAV.
Če povzamemo, trenutne raziskave se osredotočajo predvsem na razlikovanje poljščin od plevela. Vendar pa je za lasersko pletje na poljih z jagodami bistvenega pomena ne samo prepoznavanje plevela, ampak tudi zaznavanje cevi za kapljično namakanje in lokalizacija koordinat rastnih točk plevela, da se omogoči natančno pletje. Uporaba cevi za kapljično namakanje za terensko navigacijo doda funkcionalnost enemu omrežnemu modelu in optimizira računalniške vire. Kljub temu različne velikosti rastlin jagod, vitke vodovodne cevi in zapleteni pogoji, kot je prekrivanje med sadikami jagod in cevmi, pa tudi gosto zbrani pleveli predstavljajo znatne izzive za natančno ekstrakcijo in učenje značilnosti plevelov, sadik jagod, namakalnih cevi in rastnih točk plevela na poljih z jagodami.
Na podlagi zgornjega konteksta je cilj te študije: (1) vzpostaviti nabor podatkov, ki zajema različne rastne pogoje in stopnje za polja z jagodami, cevi za kapljično namakanje, plevel in točke rasti plevela; (2) predlaga model DIN-LW-YOLO za natančno odkrivanje jagodnih polj, cevi za kapljično namakanje, plevel in rastne točke plevela; (3) razviti nadzorni sistem, ki temelji na modelu DIN-LW-YOLO za upravljanje realnočasovne-navigacije in laserskega ciljanja za robota za pletje; in (4) izvesti poljske poskuse z uporabo robota za lasersko pletje na poljih jagod, da bi ocenili njegovo avtonomno delovanje laserskega plevela v dejanskih pogojih na terenu.
