Абстрактный
Сорняки на клубничных полях быстро размножаются, лишая рассаду клубники питательных веществ и света, повышая местную температуру окружающей среды и служа промежуточными хозяевами для вредителей и болезней, ускоряя их появление и распространение. Для решения проблемы борьбы с сорняками при выращивании рассады клубники в данной статье разработан автономный лазерный робот для прополки клубничных полей на основе DIN-LW-YOLO. Во-первых, создав наборы данных с полей клубники в различных средах, мы предлагаем DIN-LW-YOLO: метод обнаружения для навигации по трубам капельного орошения и лазерной прополки, который может обнаруживать саженцы клубники, сорняки, трубы капельного орошения и точки роста сорняков в-времени. Модель строит прогнозирующие головы на картах объектов с высоким-разрешением YOLOv8-позы. Модуль внимания EMA добавляется перед головой прогнозирования и модулем Spatial Pyramid Pooling Fast (SPPF) для фиксации парных отношений на уровне пикселей. Этот подход лучше использует подробную информацию из карт мелких объектов, улучшая обнаружение небольших целей. Кроме того, деформируемые свертки используются для адаптивного захвата целевых объектов, заменяя вторую свертку в узкой структуре модуля объединения функций, улучшая обнаружение удлиненных целей труб капельного орошения. Затем DIN-LW-YOLO интегрируется в робота для лазерной прополки. Система управления определяет путь навигации на основе ширины трубы капельного орошения для управления с обратной связью и позиционирует лазерную цель, получая координаты точек роста сорняков относительно рассады клубники и труб капельного орошения, обеспечивая автономную лазерную прополку. Результаты испытаний показывают, что модель DIN-LW-YOLO демонстрирует высокую эффективность распознавания данных о полях клубники в различных средах и на разных стадиях роста. Средняя точность модели (mAP) при обнаружении региональных и точечных целей составляет 88,5% и 85,0% соответственно, улучшаясь на 1,9% и 2,6% по сравнению с исходной моделью, что соответствует требованиям автономной лазерной прополки в режиме реального времени. Результаты полевых испытаний показывают, что уровень борьбы с сорняками и повреждения всходов составляет 92,6% и 1,2% соответственно, что соответствует агрономическим требованиям к механической прополке на полях клубники. Полученные результаты способствуют разработке интеллектуального сельскохозяйственного оборудования и способствуют применению машинного зрения для защиты посевов клубники.
Введение
Клубника — многолетнее травянистое растение семейства Розоцветные, обычно размножающееся вегетативно через столоны. Низко-растения клубники очень восприимчивы к окружающим сорнякам как в питомниках, так и в полевых условиях. Сильнорослые сорняки не только конкурируют за питательные вещества и свет, повышая местную температуру окружающей среды, но также служат промежуточными хозяевами для вредителей и болезней, ускоряя их распространение. Следовательно, борьба с сорняками напрямую влияет на урожайность и качество клубники. Обычно применяемые до- и после-всходовые гербициды отрицательно влияют на урожайность, окружающую среду и здоровье работников (Huang et al., 2018). Рабье и др. (2017) отметили, что механические прополки менее эффективны, чем гербициды, поскольку обычные прополки (например, мотыги, роторные ножи) не могут конкретно воздействовать на внутрирядные сорняки. Кроме того, нарушение почвы в результате обработки почвы может нанести вред полезным почвенным организмам, таким как дождевые черви, и привести к эрозии почвы и вымыванию питательных веществ (Chatterjee & Lal, 2009). Обеспокоенность по поводу существующих методов борьбы с сорняками подчеркивает необходимость инновационных решений, среди которых многообещающей является лазерная борьба с сорняками (Tran et al., 2023).
В области лазерной-борьбы с сорняками различные достижения постоянно способствуют развитию этой технологии. Хейзель и др. (2001) впервые применили лазерные лучи для срезания стеблей сорняков для борьбы с ними. Позже Матиассен и др. (2006) провели-углубленное исследование влияния лазерной обработки на подавление сорняков и обнаружили, что лазерное воздействие на апикальную меристему сорняков значительно замедляет рост и губительно для некоторых видов сорняков. Надими и др. (2009) разработали лазерное устройство для проверки на прополку для имитации динамического воздействия на сорняки. Впоследствии Маркс и др. (2012) экспериментально продемонстрировали, что эффективная борьба с сорняками требует точного нацеливания на меристемы с помощью ЧПУ (компьютерного числового управления), в то время как Ge et al. (2013) и Сюэлей и др. (2016) предложили концепции роботизированных манипуляторов для лазерной прополки. Арса и др. (2023) представили сверточную нейронную сеть с архитектурой кодировщика-декодера для обнаружения точек роста сорняков, подчеркнув важность и осуществимость обнаружения точек роста-для точного лазерного нацеливания в этой технологии. В совокупности эти исследования позволили систематически совершенствовать лазерную-технологию борьбы с сорняками в различных сферах.
В последние годы для решения проблем с прополкой полей исследователи использовали методы глубокого обучения для обнаружения сорняков на посевных полях. Гао и др. (2020) разработали метод с использованием глубокой сверточной нейронной сети (CNN) на основе YOLOv3-, чтобы отличить сахарную свеклу от сорняков, а Jabir et al. (2021) применили четыре сетевых архитектуры-Detectron 2, EfficientDet, YOLO и Faster R-CNN-, чтобы отличить орхидеи от вьюнков, выбрав наиболее подходящую структуру для обнаружения сорняков. Чен и др. (2022) улучшили модель YOLOv4, включив модуль SE в качестве логического уровня в SPP и добавив локализованный пул важности, устранив различия в размерах целей и значительно повысив эффективность и точность распознавания сорняков на кунжутных полях. Висентин и др. (2023) продемонстрировали гибридную автономную роботизированную систему прополки, которая обеспечивает интеллектуальную и автоматизированную прополку. Шао и др. (2023) решили сложные проблемы на рисовых полях,-такие как отражение воды, почвенный фон, перекрывающийся рост и разнообразное освещение,-предложив усовершенствованную модель глубокого обучения GTCBS-YOLOv5s, позволяющую идентифицировать шесть типов сорняков. Фан и др. (2023) создали интегрированную модель обнаружения и борьбы с сорняками, используя модуль CBAM, структуру BiFPN и алгоритм билинейной интерполяции. Сюй и др. (2023) представили новый подход, который сочетает в себе индексы видимого цвета с методом сегментации экземпляров, основанным на архитектуре кодера-декодера, эффективно решая задачу точного обнаружения и сегментации сорняков среди густо посаженных соевых культур. Ляо и др. (2024) предложили новую модель Strip Convolutional Network (SC-Net), которая достигла оценок mIoU 87,48 % и 89,00 % на заказных саженцах риса и общедоступных наборах сельскохозяйственных данных, продемонстрировав высокую точность и стабильность. Ронай и др. (2024) оценили эффективность SMA в оценке покрытия сорняками на разных стадиях роста, а также в спектральном и пространственном разрешении. Рай и Сан (2024) разработали одноэтапную архитектуру глубокого обучения, способную как локализовать ограничивающую рамку, так и сегментировать экземпляры сорняков на уровне пикселей- на изображениях дистанционного зондирования, полученных с помощью БПЛА.
Таким образом, текущие исследования в первую очередь сосредоточены на отличии сельскохозяйственных культур от сорняков. Однако для лазерной прополки клубничных полей важно не только идентифицировать сорняки, но также обнаружить трубы капельного орошения и локализовать координаты точек роста сорняков, чтобы обеспечить точную прополку. Использование труб капельного орошения для полевой навигации добавляет функциональность единой сетевой модели, оптимизируя вычислительные ресурсы. Тем не менее, различные размеры растений клубники, тонкие водопроводные трубы и сложные условия, такие как перекрытие саженцев клубники и труб, а также плотное скопление сорняков, создают серьезные проблемы для точного извлечения и изучения особенностей сорняков, саженцев клубники, ирригационных труб и точек роста сорняков на клубничных полях.
Основываясь на вышеизложенном, цель данного исследования: (1) создать набор данных, охватывающий различные условия и стадии роста клубничных полей, труб капельного орошения, сорняков и точек роста сорняков; (2) предложить модель DIN-LW-YOLO для точного обнаружения полей клубники, труб капельного орошения, сорняков и точек роста сорняков; (3) разработать систему управления на основе модели DIN-LW-YOLO для управления навигацией в реальном времени-и лазерным наведением робота-прополки; и (4) провести полевые испытания, развернув робота для лазерной прополки на клубничных полях, чтобы оценить эффективность его автономной лазерной прополки в реальных полевых условиях.
