Περίληψη
Τα ζιζάνια στα χωράφια με φράουλα αναπαράγονται γρήγορα, στερώντας από τα φυτά φράουλας θρεπτικά συστατικά και φως, αυξάνοντας την τοπική θερμοκρασία περιβάλλοντος και χρησιμεύουν ως ενδιάμεσοι ξενιστές για παράσιτα και ασθένειες, επιταχύνοντας την εμφάνιση και εξάπλωσή τους. Για την αντιμετώπιση του ζητήματος του ελέγχου των ζιζανίων κατά τη διάρκεια της καλλιέργειας δενδρυλλίων φράουλας, αυτή η εργασία σχεδιάζει ένα αυτόνομο ρομπότ ζιζανίων με λέιζερ για χωράφια φράουλας με βάση το DIN-LW-YOLO. Πρώτον, καθιερώνοντας σύνολα δεδομένων από χωράφια φράουλας σε διάφορα περιβάλλοντα, προτείνουμε το DIN-LW-YOLO: μια μέθοδος ανίχνευσης για πλοήγηση σωλήνων άρδευσης με σταγόνες και βοτάνισμα με λέιζερ, η οποία μπορεί να ανιχνεύσει σπορόφυτα φράουλας, ζιζάνια, σωλήνες άρδευσης με σταγόνες και σημεία ανάπτυξης ζιζανίων{6}} σε πραγματικό χρόνο. Το μοντέλο κατασκευάζει κεφαλές πρόβλεψης σε χάρτες χαρακτηριστικών υψηλής ανάλυσης{-πόζας YOLOv8-. Μια μονάδα προσοχής EMA προστίθεται πριν από την κεφαλή πρόβλεψης και τη μονάδα Spatial Pyramid Pooling Fast (SPPF) για την καταγραφή σχέσεων ζεύξης σε επίπεδο pixel{15}}. Αυτή η προσέγγιση χρησιμοποιεί καλύτερα λεπτομερείς πληροφορίες από ρηχούς χάρτες χαρακτηριστικών, βελτιώνοντας την ανίχνευση μικρών στόχων. Επιπλέον, χρησιμοποιούνται παραμορφώσιμες περιελίξεις για την προσαρμοστική σύλληψη των χαρακτηριστικών στόχων, αντικαθιστώντας τη δεύτερη περιέλιξη στη δομή του bottleneck της μονάδας σύντηξης χαρακτηριστικών, ενισχύοντας την ανίχνευση επιμήκων στόχων σωλήνων άρδευσης με σταγόνες. Στη συνέχεια, το DIN-LW-YOLO ενσωματώνεται στο ρομπότ ζιζανίων με λέιζερ. Το σύστημα ελέγχου καθορίζει τη διαδρομή πλοήγησης με βάση το πλάτος του σωλήνα άρδευσης με σταγόνες για έλεγχο ανάδρασης και τοποθετεί τον στόχο λέιζερ λαμβάνοντας τις συντεταγμένες των σημείων ανάπτυξης ζιζανίων σε σχέση με τα σπορόφυτα φράουλας και τους σωλήνες άρδευσης με σταγόνες, επιτυγχάνοντας αυτόνομες λειτουργίες βοτανίσματος λέιζερ. Τα αποτελέσματα των δοκιμών δείχνουν ότι το μοντέλο DIN-LW-YOLO επιδεικνύει ισχυρή απόδοση αναγνώρισης σε δεδομένα αγρών φράουλας σε διαφορετικά περιβάλλοντα και στάδια ανάπτυξης. Η μέση ακρίβεια (mAP) του μοντέλου στην ανίχνευση περιφερειακού και σημειακού στόχου είναι 88,5% και 85,0%, αντίστοιχα, βελτιώνοντας κατά 1,9% και 2,6% σε σύγκριση με το αρχικό μοντέλο, ικανοποιώντας τις απαιτήσεις λειτουργίας σε πραγματικό χρόνο του αυτόνομου ρομπότ βοτανίσματος λέιζερ. Τα αποτελέσματα των δοκιμών πεδίου υποδεικνύουν ποσοστά καταπολέμησης ζιζανίων και τραυματισμού δενδρυλλίων 92,6% και 1,2%, αντίστοιχα, που πληρούν τις γεωπονικές απαιτήσεις για μηχανικό βοτάνισμα σε χωράφια φράουλας. Τα ευρήματα συμβάλλουν στον σχεδιασμό ευφυούς γεωργικού εξοπλισμού και προωθούν την εφαρμογή της μηχανικής όρασης στην προστασία των καλλιεργειών φράουλας.
Εισαγωγή
Οι φράουλες είναι πολυετή ποώδη φυτά της οικογένειας Rosaceae, που συνήθως πολλαπλασιάζονται βλαστητικά μέσω στόλων. Τα φυτά φράουλας χαμηλής-ανάπτυξης είναι ιδιαίτερα ευαίσθητα στα γύρω ζιζάνια τόσο σε φυτώρια όσο και σε περιβάλλοντα χωραφιού. Τα ζωηρά ζιζάνια όχι μόνο ανταγωνίζονται για θρεπτικά συστατικά και φως, αυξάνοντας την τοπική θερμοκρασία περιβάλλοντος, αλλά χρησιμεύουν και ως ενδιάμεσοι ξενιστές για παράσιτα και ασθένειες, επιταχύνοντας την εξάπλωσή τους. Κατά συνέπεια, ο έλεγχος των ζιζανίων επηρεάζει άμεσα την απόδοση και την ποιότητα της φράουλας. Τα ζιζανιοκτόνα που εφαρμόζονται συνήθως πριν και μετά την εμφάνιση-επιδρούν αρνητικά στην απόδοση, το περιβάλλον και την υγεία των εργαζομένων (Huang et al., 2018). Rabier et al. (2017) παρατήρησε ότι τα μηχανικά ζιζανιοκτόνα είναι λιγότερο αποτελεσματικά από τα ζιζανιοκτόνα, καθώς τα συμβατικά ζιζανιοκτόνα (π.χ. τσάπες, περιστροφικές λεπίδες) δεν μπορούν να στοχεύσουν ειδικά τα ζιζάνια εντός της σειράς{14}. Επιπλέον, η διαταραχή του εδάφους από το όργωμα μπορεί να βλάψει ωφέλιμους οργανισμούς του εδάφους, όπως οι γαιοσκώληκες, και να οδηγήσει σε διάβρωση του εδάφους και έκπλυση θρεπτικών ουσιών (Chatterjee & Lal, 2009). Οι ανησυχίες σχετικά με τις τρέχουσες μεθόδους καταπολέμησης των ζιζανίων υπογραμμίζουν την ανάγκη για καινοτόμες λύσεις, μεταξύ των οποίων ο έλεγχος ζιζανίων με βάση{18}}λέιζερ υπόσχεται (Tran et al., 2023).
Στον τομέα του ελέγχου ζιζανίων με βάση-λέιζερ, διάφορες πρόοδοι έχουν ωθήσει σταθερά την ανάπτυξη της τεχνολογίας. Οι Heisel et al. (2001) πρωτοστάτησε στη χρήση ακτίνων λέιζερ για την κοπή των στελεχών των ζιζανίων για τον έλεγχο των ζιζανίων. Αργότερα, οι Mathiassen et al. (2006) διεξήγαγε μια εις βάθος μελέτη των επιπτώσεων της θεραπείας με λέιζερ στην καταστολή των ζιζανίων, διαπιστώνοντας ότι η έκθεση με λέιζερ σε κορυφαία μεριστώματα ζιζανίων μείωσε σημαντικά την ανάπτυξη και ήταν θανατηφόρα για ορισμένα είδη ζιζανίων. Nadimi et al. (2009) σχεδίασε μια συσκευή δοκιμής ζιζανίων με λέιζερ για την προσομοίωση της δυναμικής στόχευσης των ζιζανίων. Στη συνέχεια, οι Marx et al. (2012) απέδειξε πειραματικά ότι ο αποτελεσματικός έλεγχος των ζιζανίων απαιτεί στόχευση ακριβείας CNC (Computer Numerical Control) των μεριστωμάτων, ενώ οι Ge et al. (2013) και Xuelei et al. (2016) καθένας πρότεινε έννοιες ρομποτικού βραχίονα για βοτάνισμα με λέιζερ. Οι Arsa et al. (2023) εισήγαγε ένα συνελικτικό νευρωνικό δίκτυο με αρχιτεκτονική αποκωδικοποιητή-αποκωδικοποιητή για τον εντοπισμό σημείων ανάπτυξης ζιζανίων, τονίζοντας τη σημασία και τη σκοπιμότητα της ανίχνευσης{22}}σημείων ανάπτυξης για ακριβή στόχευση λέιζερ σε αυτήν την τεχνολογία. Μαζί, αυτές οι μελέτες έχουν εξελίξει συστηματικά την τεχνολογία ελέγχου ζιζανίων με βάση-λέιζερ σε διάφορες διαστάσεις.
Τα τελευταία χρόνια, για να αντιμετωπιστούν οι προκλήσεις του αγριόχορτου, οι ερευνητές έχουν χρησιμοποιήσει τεχνικές βαθιάς μάθησης για την ανίχνευση ζιζανίων σε αγρούς καλλιεργειών. Οι Gao et al. (2020) ανέπτυξε μια μέθοδο χρησιμοποιώντας ένα βαθύ συνελικτικό νευρωνικό δίκτυο (CNN) που βασίζεται στο YOLOv3-για να διακρίνει το ζαχαρότευτλο από τα ζιζάνια, ενώ ο Jabir et al. (2021) εφάρμοσε τέσσερις αρχιτεκτονικές δικτύου-Detectron 2, EfficientDet, YOLO και Faster R-CNN-για να διαφοροποιήσει τις ορχιδέες από τις κουλούρες, επιλέγοντας την καταλληλότερη δομή για ανίχνευση ζιζανίων. Οι Chen et al. (2022) βελτίωσε το μοντέλο YOLOv4 ενσωματώνοντας τη μονάδα SE ως το λογικό στρώμα στο SPP και προσθέτοντας τοπική συγκέντρωση σημασίας, αντιμετωπίζοντας τη διακύμανση στα μεγέθη στόχων και ενισχύοντας σημαντικά την αποτελεσματικότητα και την ακρίβεια αναγνώρισης ζιζανίων στα χωράφια σουσαμιού. Visentin et al. (2023) παρουσίασε ένα υβριδικό αυτόνομο ρομποτικό σύστημα βοτάνων που πέτυχε έξυπνο και αυτοματοποιημένο ξεβοτάνισμα. Shao et al. (2023) αντιμετώπισε πολύπλοκα ζητήματα σε ορυζώνες-όπως η αντανάκλαση του νερού, το υπόβαθρο του εδάφους, η επικαλυπτόμενη ανάπτυξη και ο διαφορετικός φωτισμός-προτείνοντας ένα βελτιωμένο μοντέλο βαθιάς μάθησης, το GTCBS-YOLOv5s, για τον εντοπισμό έξι τύπων ζιζανίων. Fan et al. (2023) δημιούργησε ένα ολοκληρωμένο μοντέλο ανίχνευσης και διαχείρισης ζιζανίων χρησιμοποιώντας τη μονάδα CBAM, τη δομή BiFPN και τον αλγόριθμο διγραμμικής παρεμβολής. Xu et al. (2023) παρουσίασε μια νέα προσέγγιση που συνδυάζει ορατούς χρωματικούς δείκτες με μια μέθοδο τμηματοποίησης παραδειγμάτων που βασίζεται σε μια αρχιτεκτονική αποκωδικοποιητή{34}κωδικοποιητή, αντιμετωπίζοντας αποτελεσματικά την πρόκληση της ακριβούς ανίχνευσης και τμηματοποίησης των ζιζανίων μεταξύ των πυκνοφυτευμένων καλλιεργειών σόγιας. Οι Liao et al. (2024) πρότεινε ένα νέο μοντέλο Strip Convolutional Network (SC{42}}Net), επιτυγχάνοντας βαθμολογίες mIoU 87,48 % και 89,00 % σε προσαρμοσμένα δενδρύλλια ρυζιού και δημόσια γεωργικά σύνολα δεδομένων, επιδεικνύοντας υψηλή ακρίβεια και σταθερότητα. Οι Ronay et al. (2024) αξιολόγησε την απόδοση της SMA στην εκτίμηση της κάλυψης ζιζανίων σε διαφορετικά στάδια ανάπτυξης καθώς και στη φασματική και χωρική ανάλυση. Οι Rai και Sun (2024) ανέπτυξαν μια αρχιτεκτονική βαθιάς εκμάθησης ενός σταδίου{{43}με δυνατότητα εντοπισμού οριοθέτησης πλαισίου και τμηματοποίησης σε επίπεδο εικονοστοιχείων-των ζιζανίων σε εικόνες τηλεπισκόπησης που αποκτήθηκαν από UAV.
Συνοπτικά, η τρέχουσα έρευνα επικεντρώνεται κυρίως στη διάκριση των καλλιεργειών από τα ζιζάνια. Ωστόσο, για το βοτάνισμα με λέιζερ σε χωράφια με φράουλα, είναι σημαντικό όχι μόνο να εντοπιστούν τα ζιζάνια αλλά και να ανιχνευθούν οι σωλήνες άρδευσης με σταγόνες και να εντοπιστούν οι συντεταγμένες των σημείων ανάπτυξης των ζιζανίων για να επιτραπούν ακριβείς εργασίες ζιζανίων. Η χρήση σωλήνων άρδευσης με σταγόνες για πλοήγηση πεδίου προσθέτει λειτουργικότητα σε ένα ενιαίο μοντέλο δικτύου, βελτιστοποιώντας τους υπολογιστικούς πόρους. Ωστόσο, τα διαφορετικά μεγέθη των φυτών φράουλας, οι λεπτοί σωλήνες νερού και οι περίπλοκες συνθήκες, όπως η επικάλυψη μεταξύ δενδρυλλίων και σωλήνων φράουλας, καθώς και τα πυκνά συγκεντρωμένα ζιζάνια, παρουσιάζουν σημαντικές προκλήσεις για την ακριβή εξαγωγή και την εκμάθηση των χαρακτηριστικών των ζιζανίων, των φυτών φράουλας σε φυτά φράουλας, φυτών φράουλας, φυτών φράουλας.
Με βάση το παραπάνω πλαίσιο, αυτή η μελέτη στοχεύει: (1) να δημιουργήσει ένα σύνολο δεδομένων που καλύπτει διάφορες συνθήκες και στάδια ανάπτυξης για χωράφια φράουλας, σωλήνες άρδευσης με σταγόνες, ζιζάνια και σημεία ανάπτυξης ζιζανίων. (2) προτείνετε το μοντέλο DIN-LW-YOLO για την ακριβή ανίχνευση αγρών φράουλας, σωλήνων άρδευσης με σταγόνες, ζιζανίων και σημείων ανάπτυξης ζιζανίων. (3) να αναπτύξει ένα σύστημα ελέγχου που βασίζεται στο μοντέλο DIN-LW-YOLO για τη διαχείριση της πλοήγησης σε πραγματικό χρόνο και της στόχευσης με λέιζερ για το ρομπότ ζιζανίων. και (4) διεξάγουν δοκιμές πεδίου με την ανάπτυξη του ρομπότ βοτανίσματος λέιζερ σε χωράφια με φράουλα για να αξιολογήσουν την αυτόνομη απόδοση βοτάνων με λέιζερ υπό πραγματικές συνθήκες πεδίου.
