Abstrakt
Ugras i jordbæråkre formerer seg raskt, berøver jordbærfrøplanter næringsstoffer og lys, øker den lokale miljøtemperaturen, og fungerer som mellomverter for skadedyr og sykdommer, og akselererer deres forekomst og spredning. For å løse problemet med ugrasbekjempelse under dyrking av jordbærfrøplanter, designer denne artikkelen en autonom laserlukerobot for jordbæråkre basert på DIN-LW-YOLO. For det første, ved å etablere datasett fra jordbæråkre i ulike miljøer, foreslår vi DIN-LW-YOLO: en deteksjonsmetode for navigering av dryppvanningsrør og laserluking, som kan oppdage jordbærfrøplanter, ugress, dryppvanningsrør og ugressvekstpunkter i sanntid. Modellen konstruerer prediksjonshoder på-funksjonskart med høy oppløsning av YOLOv8-positur. En EMA-oppmerksomhetsmodul legges til før prediksjonshodet og Spatial Pyramid Pooling Fast (SPPF)-modulen for å fange sammen pikselnivåer. Denne tilnærmingen utnytter detaljert informasjon fra grunne funksjonskart bedre, og forbedrer deteksjon av små mål. I tillegg brukes deformerbare konvolusjoner for adaptivt å fange opp målfunksjoner, og erstatter den andre konvolusjonen i flaskehalsstrukturen til funksjonsfusjonsmodulen, og forbedrer deteksjonen av langstrakte dryppvanningsrørmål. Deretter er DIN-LW-YOLO integrert i laserlukeroboten. Kontrollsystemet bestemmer navigasjonsbanen basert på bredden på dryppvanningsrøret for tilbakemeldingskontroll og posisjonerer lasermålet ved å innhente koordinatene til ugrasvekstpunkter i forhold til jordbærfrøplanter og dryppvanningsrør, og oppnår autonome laserlukeoperasjoner. Testresultater viser at DIN-LW-YOLO-modellen viser sterk gjenkjennelsesytelse på jordbærfeltdata under forskjellige miljøer og vekststadier. Modellens gjennomsnittlige nøyaktighet (mAP) i regional og punktmåldeteksjon er henholdsvis 88,5 % og 85,0 %, forbedret med 1,9 % og 2,6 % sammenlignet med den originale modellen, og oppfyller sanntidsdriftskravene til den autonome laserlukeroboten. Feltprøveresultater indikerer ugrasbekjempelse og frøplanteskade på henholdsvis 92,6 % og 1,2 %, som oppfyller agronomiske krav til mekanisk luking i jordbæråkre. Funnene bidrar til utformingen av intelligent landbruksutstyr og fremmer bruken av maskinsyn i jordbærbeskyttelsen.
Introduksjon
Jordbær er flerårige urteaktige planter av Rosaceae-familien, typisk forplantet vegetativt gjennom stoloner. Lavt-jordbærplanter er svært følsomme for omkringliggende ugress i både barnehage- og åkermiljøer. Kraftig ugress konkurrerer ikke bare om næringsstoffer og lys, øker den lokale miljøtemperaturen, men fungerer også som mellomvert for skadedyr og sykdommer, og akselererer spredningen. Følgelig påvirker ugrasbekjempelse direkte utbyttet og kvaliteten på jordbær. Vanlig anvendte pre- og post-ugressmidler påvirker utbyttet, miljøet og arbeidernes helse negativt (Huang et al., 2018). Rabier et al. (2017) bemerket at mekaniske lukemidler er mindre effektive enn ugressmidler, ettersom konvensjonelle lukemidler (f.eks. hakker, roterende kniver) ikke spesifikt kan sikte på intra-radugras. I tillegg kan jordforstyrrelser fra jordbearbeiding skade gunstige jordorganismer, som meitemark, og føre til jorderosjon og næringsutvasking (Chatterjee & Lal, 2009). Bekymringer angående gjeldende metoder for ugrasbekjempelse understreker behovet for innovative løsninger, blant annet -basert ugrasbekjempelse lover (Tran et al., 2023).
Innen laser-basert ugrasbekjempelse har ulike fremskritt stadig drevet frem teknologiens utvikling. Heisel et al. (2001) var banebrytende for bruken av laserstråler for å kutte ugressstengler for ugrasbekjempelse. Senere har Mathiassen et al. (2006) utførte en-dypende studie av effekten av laserbehandling på ugrasdemping, og fant at lasereksponering for apikale meristem av ugress reduserte veksten betydelig og var dødelig for visse ugrasarter. Nadimi et al. (2009) designet en laserluketestenhet for å simulere dynamisk målretting av ugress. Deretter har Marx et al. (2012) demonstrerte eksperimentelt at effektiv ugrasbekjempelse krever CNC (Computer Numerical Control) presisjonsmålretting av meristemer, mens Ge et al. (2013) og Xuelei et al. (2016) foreslo hver robotarmkonsept for laserluking. Arsa et al. (2023) introduserte et konvolusjonelt nevralt nettverk med en koder-dekoderarkitektur for å oppdage ugressvekstpunkter, og fremhever betydningen og gjennomførbarheten av vekst{22}}punktdeteksjon for presis lasermålretting i denne teknologien. Sammen har disse studiene systematisk avansert laser-basert ugrasbekjempelsesteknologi på tvers av ulike dimensjoner.
I de siste årene har forskere brukt dyplæringsteknikker for å oppdage ugras i avlingsfelt for å takle utfordringer med å luke åker. Gao et al. (2020) utviklet en metode som bruker et YOLOv3-basert dypt konvolusjonelt nevralt nettverk (CNN) for å skille sukkerroer fra ugress, mens Jabir et al. (2021) brukte fire nettverksarkitekturer-Detectron 2, EfficientDet, YOLO og Faster R-CNN-for å skille orkideer fra convolvulus, og valgte den best egnede strukturen for ugressdeteksjon. Chen et al. (2022) forbedret YOLOv4-modellen ved å inkorporere SE-modulen som det logiske laget i SPP og legge til lokalisert viktighetssamling, adressere variasjonen i målstørrelser og betydelig forbedre effektiviteten og nøyaktigheten for ugressgjenkjenning i sesamfelt. Visentin et al. (2023) demonstrerte et hybrid autonomt robotlukesystem som oppnådde intelligent og automatisert luking. Shao et al. (2023) tok for seg komplekse problemer i rismarker-som vannrefleksjon, jordbakgrunn, overlappende vekst og variert belysning-ved å foreslå en forbedret dyplæringsmodell, GTCBS-YOLOv5s, for å identifisere seks typer ugress. Fan et al. (2023) opprettet en integrert ugrasdeteksjons- og håndteringsmodell ved å bruke CBAM-modulen, BiFPN-strukturen og bilineær interpolasjonsalgoritme. Xu et al. (2023) presenterte en ny tilnærming som kombinerer synlige fargeindekser med en forekomstsegmenteringsmetode basert på en koder-dekoderarkitektur, som effektivt takler utfordringen med å nøyaktig oppdage og segmentere ugress blant tettplantede soyaavlinger. Liao et al. (2024) foreslo en ny Strip Convolutional Network-modell (SC-Net), som oppnår mIoU-score på 87,48 % og 89,00 % på tilpassede risfrøplanter og offentlige landbruksdatasett, som viser høy nøyaktighet og stabilitet. Ronay et al. (2024) evaluerte SMAs ytelse i å estimere ugrasdekning ved forskjellige vekststadier samt i spektral og romlig oppløsning. Rai og Sun (2024) utviklet en enkelt-dyplæringsarkitektur som er i stand til både lokalisering av grensebokser og forekomstsegmentering på piksel-nivå av ugress i UAV-ervervede fjernmålingsbilder.
Oppsummert fokuserer dagens forskning først og fremst på å skille avlinger fra ugress. For laserluking i jordbæråkre er det imidlertid viktig ikke bare å identifisere ugress, men også å oppdage dryppvanningsrør og lokalisere ugrasvekstpunktkoordinater for å muliggjøre nøyaktige lukeoperasjoner. Bruk av drypp vanningsrør for feltnavigasjon gir funksjonalitet til en enkelt nettverksmodell, og optimaliserer beregningsressursene. Ikke desto mindre gir de varierende størrelsene på jordbærplanter, slanke vannrør og komplekse forhold, som overlapping mellom jordbærfrøplanter og rør, samt tett klyngede ugress, betydelige utfordringer for nøyaktig å trekke ut og lære egenskapene til ugress, jordbærfrøplanter, vanningsrør og jordbærvekstpunkter.
Basert på konteksten ovenfor, har denne studien som mål å: (1) etablere et datasett som dekker ulike vekstforhold og stadier for jordbæråkre, dryppvanningsrør, ugress og ugressvekstpunkter; (2) foreslå DIN-LW-YOLO-modellen for nøyaktig å oppdage jordbæråkre, dryppvanningsrør, ugress og ugressvekstpunkter; (3) utvikle et kontrollsystem basert på DIN-LW-YOLO-modellen for å administrere sanntid-navigasjon og lasermålretting for lukeroboten; og (4) gjennomføre feltforsøk ved å utplassere laserlukeroboten i jordbæråkre for å evaluere dens autonome laserlukingsytelse under reelle feltforhold.
