Absztrakt
Az eperföldeken a gyomok gyorsan szaporodnak, megfosztják az eperpalántákat tápanyagtól és fénytől, növelik a helyi környezet hőmérsékletét, és közbenső gazdáként szolgálnak a kártevőknek és betegségeknek, felgyorsítva azok előfordulását és terjedését. Az eperpalánta-termesztés során a gyomirtás problémájának megoldására ez a cikk egy autonóm lézeres gyomirtó robotot tervez eperföldekre DIN-LW-YOLO alapján. Először is, azáltal, hogy különféle környezetekben epertáblákból hozunk létre adatkészleteket, a DIN-LW-YOLO-t javasoljuk: a csepegtető öntözőcső-navigáció és a lézeres gyomlálás észlelési módszere, amely valós-időben képes észlelni az eperpalántákat, a gyomokat, a csepegtető öntözőcsöveket és a gyomnövekedési pontokat. A modell előrejelzési fejeket készít a YOLOv8{11}}póz nagy-felbontású jellemzőtérképein. A predikciós fej és a Spatial Pyramid Pooling Fast (SPPF) modul elé egy EMA-figyelem modul került hozzáadásra a pixelszintű párosított{15}kapcsolatok rögzítéséhez. Ez a megközelítés jobban hasznosítja a sekély tereptérképek részletes információit, javítva a kis célpontok észlelését. Ezenkívül deformálható kanyarulatokat használnak a céljellemzők adaptív rögzítésére, felváltva a második csavart a jellemzőfúziós modul szűk keresztmetszeti szerkezetében, javítva a megnyúlt csepegtető öntözőcső célpontjainak észlelését. Ezután a DIN-LW-YOLO-t integrálják a lézeres gyomirtó robotba. A vezérlőrendszer a visszacsatolásos vezérléshez a csepegtető öntözőcső szélessége alapján határozza meg a navigációs útvonalat, és pozícionálja a lézeres célpontot a gyomnövekedési pontok koordinátáinak az eperpalántákhoz és a csepegtető öntözőcsövekhez viszonyított lekérésével, így autonóm lézeres gyomlálási műveleteket hajt végre. A teszteredmények azt mutatják, hogy a DIN-LW-YOLO-modell erős felismerési teljesítményt mutat az epertáblák adatain különböző környezetekben és növekedési szakaszokban. A modell átlagos pontossága (mAP) a regionális és pontcélérzékelésben 88,5%, illetve 85,0%, ami 1,9%-kal, illetve 2,6%-kal javult az eredeti modellhez képest, teljesítve az autonóm lézeres gyomirtó robot valós idejű működési követelményeit. A szántóföldi vizsgálatok eredményei 92,6%-os gyomirtási és 1,2%-os palántakárosodási arányt mutatnak, ami megfelel az epertáblák mechanikus gyomirtása agronómiai követelményeinek. Az eredmények hozzájárulnak az intelligens mezőgazdasági berendezések tervezéséhez, és elősegítik a gépi látás alkalmazását az eper növényvédelmében.
Bevezetés
A szamóca a Rosaceae családba tartozó évelő lágyszárú növény, amelyet jellemzően vegetatív úton szaporítanak stólonokon keresztül. Az alacsony növekedésű epernövények nagyon érzékenyek a környező gyomokra mind a faiskolai, mind a szántóföldi környezetben. Az erőteljes gyomnövények nemcsak a tápanyagokért és a fényért versenyeznek, növelve a helyi környezet hőmérsékletét, hanem a kártevők és betegségek köztes gazdájaként is szolgálnak, felgyorsítva terjedésüket. Következésképpen a gyomirtás közvetlenül befolyásolja a szamóca termését és minőségét. Az általánosan alkalmazott pre- és-utó{6}}felkelés negatívan befolyásolják a termést, a környezetet és a dolgozók egészségét (Huang et al., 2018). Rabier et al. (2017) megjegyezte, hogy a mechanikus gyomirtó szerek kevésbé hatékonyak, mint a gyomirtó szerek, mivel a hagyományos gyomnövények (pl. kapák, forgókések) nem célozhatják meg kifejezetten a soron belüli gyomnövényeket. Ezenkívül a talajművelés okozta talajbolygatás károsíthatja a hasznos talajszervezeteket, például a gilisztákat, és talajerózióhoz és tápanyag kimosódáshoz vezethet (Chatterjee & Lal, 2009). A jelenlegi gyomirtási módszerekkel kapcsolatos aggodalmak rávilágítanak az innovatív megoldások szükségességére, amelyek között a lézeres{18}}alapú gyomirtás ígéretes (Tran et al., 2023).
A lézeres{0}}gyomirtás területén a technológia fejlődését folyamatosan különböző előrelépések hajtották végre. Heisel et al. (2001) úttörő szerepet játszott a lézersugarak használatában a gyomszárak levágására gyomirtás céljából. Később Mathiassen et al. (2006) mélyreható -vizsgálatot végzett a lézeres kezelés gyomirtásra gyakorolt hatásairól, és azt találta, hogy a gyomok apikális merisztémáinak lézeres expozíciója jelentősen csökkentette a növekedést, és bizonyos gyomfajok számára végzetes volt. Nadimi et al. (2009) egy lézeres gyomirtó tesztkészüléket tervezett a gyomok dinamikus célzásának szimulálására. Ezt követően Marx és mtsai. (2012) kísérletileg igazolták, hogy a hatékony gyomirtás CNC (Computer Numerical Control) precíziós merisztémák célzását igényli, míg Ge et al. (2013) és Xuelei et al. (2016) mindegyik robotkaros koncepciót javasolt a lézeres gyomláláshoz. Arsa et al. (2023) konvolúciós neurális hálózatot mutatott be egy kódoló -dekóder architektúrával a gyomnövekedési pontok észlelésére, kiemelve a növekedési -pontfelismerés jelentőségét és megvalósíthatóságát a precíz lézeres célzás érdekében ebben a technológiában. Ezek a tanulmányok együtt szisztematikusan továbbfejlesztették a lézer{24}}alapú gyomirtó technológiát különböző dimenziókban.
Az elmúlt években a kutatók mély tanulási technikákat alkalmaztak a szántóföldi gyomirtási kihívások kezelésére a gyomnövények kimutatására a szántóföldeken. Gao et al. (2020) egy YOLOv3{6}}alapú mély konvolúciós neurális hálózatot (CNN) használó módszert dolgoztak ki a cukorrépa és a gyomnövények megkülönböztetésére, míg Jabir et al. (2021) négy hálózati architektúrát alkalmazott: -Detectron 2, EfficientDet, YOLO és Faster R-CNN-, hogy megkülönböztesse az orchideákat a convolvulustól, és a legmegfelelőbb struktúrát választotta ki a gyomérzékeléshez. Chen et al. (2022) javította a YOLOv4 modellt az SE modul logikai rétegként való beépítésével az SPP-be, és hozzáadta a lokalizált fontosság-összevonást, kezelve a célméretek eltéréseit, és jelentősen javítva a gyomfelismerés hatékonyságát és pontosságát a szezámtáblákban. Visentin et al. (2023) bemutattak egy hibrid autonóm robot gyomirtó rendszert, amely intelligens és automatizált gyomlálást ért el. Shao et al. (2023) a rizsföldek összetett problémáival foglalkozott, -mint például a vízvisszaverődés, a talajháttér, az átfedő növekedés és a változatos megvilágítás-egy továbbfejlesztett mélytanulási modellt, a GTCBS-YOLOv5s-t javasoltva hatféle gyomfaj azonosítására. Fan et al. (2023) létrehoztak egy integrált gyomérzékelési és -kezelési modellt a CBAM modul, a BiFPN struktúra és a bilineáris interpolációs algoritmus felhasználásával. Xu et al. (2023) egy új megközelítést mutatott be, amely a látható színindexeket egy kódoló-dekóder architektúrán alapuló példányszegmentációs módszerrel ötvözi, hatékonyan kezelve a sűrűn ültetett szójanövények gyomnövényeinek pontos észlelését és szegmentálását. Liao et al. (2024) egy új Strip Convolutional Network modellt (SC-Net) javasolt, amely 87,48%-os és 89,00%-os milliós pontszámot ért el egyedi rizspalántákon és nyilvános mezőgazdasági adatkészleteken, ami nagy pontosságot és stabilitást mutat. Ronay et al. (2024) értékelte az SMA teljesítményét a gyomborítottság becslésében a különböző növekedési szakaszokban, valamint a spektrális és térbeli felbontásban. Rai és Sun (2024) egy-fokozatú mélytanulási architektúrát fejlesztett ki, amely képes a határolódobozok lokalizálására és a gyomok pixel-szintű példányszegmentálására az UAV által szerzett távérzékelési képeken.
Összefoglalva, a jelenlegi kutatások elsősorban a haszonnövények és a gyomok megkülönböztetésére összpontosítanak. A szamócaföldeken végzett lézeres gyomirtásnál azonban nem csak a gyomok azonosítása, hanem a csepegtető öntözőcsövek észlelése és a gyomnövekedési pont koordinátáinak lokalizálása is elengedhetetlen a precíz gyomirtási műveletek elvégzéséhez. A csepegtető öntözőcsövek szántóföldi navigációhoz való használata funkcionalitást ad egyetlen hálózati modellhez, optimalizálva a számítási erőforrásokat. Mindazonáltal a szamócanövények különböző méretei, a karcsú vízvezetékek és a bonyolult körülmények, mint például az eperpalánták és csövek közötti átfedés, valamint a sűrűn fürtözött gyomok komoly kihívást jelentenek a gyomnövények, eperpalánták, öntözőcsövek és eperföldi gyomnövekedési pontok jellemzőinek pontos kitermelésében és megismerésében.
A fenti összefüggések alapján e tanulmány célja: (1) olyan adatkészlet létrehozása, amely lefedi a szamócaföldek, csepegtető öntözőcsövek, gyomok és gyomnövekedési pontok különböző növekedési feltételeit és szakaszait; (2) javasolja a DIN-LW-YOLO modellt az eperföldek, a csepegtető öntözőcsövek, a gyomok és a gyomnövekedési pontok pontos észlelésére; (3) a DIN-LW-YOLO modellen alapuló vezérlőrendszer kifejlesztése a valós idejű-navigáció és lézeres célzás kezelésére a gyomláló robot számára; és (4) végezzen szántóföldi kísérleteket a lézeres gyomláló robot eperföldeken történő telepítésével, hogy értékelje autonóm lézeres gyomlálási teljesítményét valós szántóföldi körülmények között.
