Abstrakt
Ogräs i jordgubbsfält förökar sig snabbt, berövar jordgubbsplantor av näring och ljus, ökar den lokala miljötemperaturen och fungerar som mellanvärd för skadedjur och sjukdomar, vilket påskyndar deras förekomst och spridning. För att ta itu med problemet med ogräsbekämpning under odling av jordgubbar, designar detta papper en autonom laserrensningsrobot för jordgubbsåkrar baserad på DIN-LW-YOLO. Först, genom att upprätta datauppsättningar från jordgubbsfält i olika miljöer, föreslår vi DIN-LW-YOLO: en detekteringsmetod för droppbevattningsrörnavigering och laserrensning, som kan upptäcka jordgubbsplantor, ogräs, droppbevattningsrör och ogrästillväxtpunkter i realtid.- Modellen konstruerar prediktionshuvuden på-högupplösta funktionskartor över YOLOv8-poser. En EMA-uppmärksamhetsmodul läggs till före prediktionshuvudet och SPPF-modulen (Sptial Pyramid Pooling Fast) för att fånga pixel-nivåparade relationer. Detta tillvägagångssätt utnyttjar bättre detaljerad information från grunda kartor, vilket förbättrar detektering av små mål. Dessutom används deformerbara falsningar för att adaptivt fånga målegenskaper, ersätter den andra falsningen i flaskhalsstrukturen av funktionsfusionsmodulen, vilket förbättrar detekteringen av långsträckta droppbevattningsrörmål. Därefter integreras DIN-LW-YOLO i laserroboten för ogräsrensning. Kontrollsystemet bestämmer navigeringsvägen baserat på bredden på droppbevattningsröret för återkopplingskontroll och positionerar lasermålet genom att erhålla koordinaterna för ogrästillväxtpunkter i förhållande till jordgubbsplantor och droppbevattningsrör, vilket uppnår autonoma laserrensningsoperationer. Testresultat visar att DIN-LW-YOLO-modellen visar stark igenkänningsprestanda på jordgubbsfältdata under olika miljöer och tillväxtstadier. Modellens genomsnittliga noggrannhet (mAP) vid detektering av regionala mål och punktmål är 88,5 % respektive 85,0 %, en förbättring med 1,9 % och 2,6 % jämfört med originalmodellen, vilket uppfyller realtidsdriftskraven för den autonoma laserroboten för ogräsrensning. Fälttestresultat indikerar ogräsbekämpning och plantskador på 92,6 % respektive 1,2 %, vilket uppfyller agronomiska krav för mekanisk ogräsrensning i jordgubbsfält. Fynden bidrar till utformningen av intelligent jordbruksutrustning och främjar tillämpningen av maskinseende i jordgubbars växtskydd.
Introduktion
Jordgubbar är fleråriga örtartade växter av familjen Rosaceae, vanligtvis förökas vegetativt genom stoloner. Lågt-jordgubbsplantor är mycket mottagliga för omgivande ogräs i både plantskolor och åkermiljöer. Kraftiga ogräs konkurrerar inte bara om näring och ljus, vilket ökar den lokala miljötemperaturen, utan fungerar också som mellanvärd för skadedjur och sjukdomar, vilket påskyndar spridningen. Följaktligen påverkar ogräsbekämpningen direkt avkastningen och kvaliteten på jordgubbar. Vanligt använda herbicider före- och efter-uppkomst påverkar avkastningen, miljön och arbetarnas hälsa negativt (Huang et al., 2018). Rabier et al. (2017) noterade att mekaniska ogräsmaskiner är mindre effektiva än ogräsmedel, eftersom konventionella ogräsmaskiner (t.ex. hackor, roterande knivar) inte specifikt kan inrikta sig på ogräs inom-rader. Dessutom kan markstörningar från jordbearbetning skada nyttiga markorganismer, såsom daggmaskar, och leda till jorderosion och näringsläckage (Chatterjee & Lal, 2009). Oron för nuvarande ogräsbekämpningsmetoder understryker behovet av innovativa lösningar, bland vilka laser-baserad ogräsbekämpning lovar (Tran et al., 2023).
Inom området för laserbaserad-ogräsbekämpning har olika framsteg stadigt drivit fram teknikens utveckling. Heisel et al. (2001) banade väg för användningen av laserstrålar för att klippa ogrässtammar för ogräsbekämpning. Senare har Mathiassen et al. (2006) genomförde en-djupgående studie av effekterna av laserbehandling på ogräsdämpning, och fann att laserexponering för apikala meristem av ogräs avsevärt minskade tillväxten och var dödlig för vissa ogräsarter. Nadimi et al. (2009) designade en laserrensningstestanordning för att simulera dynamisk målinriktning av ogräs. Därefter har Marx et al. (2012) visade experimentellt att effektiv ogräsbekämpning kräver CNC (Computer Numerical Control) precisionsinriktning av meristem, medan Ge et al. (2013) och Xuelei et al. (2016) föreslog var och en robotarmskoncept för laserrensning av ogräs. Arsa et al. (2023) introducerade ett konvolutionellt neuralt nätverk med en kodar-avkodararkitektur för att detektera ogrästillväxtpunkter, vilket lyfter fram betydelsen och genomförbarheten av tillväxt-punktsdetektering för exakt laserinriktning i denna teknik. Tillsammans har dessa studier systematiskt avancerad laser-baserad ogräsbekämpningsteknik över olika dimensioner.
Under de senaste åren har forskare använt djupinlärningstekniker för att upptäcka ogräs i odlingsfält för att ta itu med utmaningarna med ogräsrensning i fält. Gao et al. (2020) utvecklade en metod som använder ett YOLOv3-baserat djupt konvolutionellt neuralt nätverk (CNN) för att skilja sockerbetor från ogräs, medan Jabir et al. (2021) tillämpade fyra nätverksarkitekturer-Detectron 2, EfficientDet, YOLO och Faster R-CNN-för att skilja orkidéer från convolvulus och välja den mest lämpliga strukturen för ogräsdetektering. Chen et al. (2022) förbättrade YOLOv4-modellen genom att införliva SE-modulen som logikskiktet i SPP och lägga till lokaliserad betydelsepoolning, ta itu med variationen i målstorlekar och avsevärt förbättra effektiviteten och noggrannheten för ogräsigenkänning i sesamfält. Visentin et al. (2023) visade ett hybridt autonomt robotsystem för ogräsrensning som uppnådde intelligent och automatiserad ogräsrensning. Shao et al. (2023) tog upp komplexa problem i risfält-som vattenreflektion, markbakgrund, överlappande tillväxt och varierande belysning-genom att föreslå en förbättrad modell för djupinlärning, GTCBS-YOLOv5s, för att identifiera sex typer av ogräs. Fan et al. (2023) skapade en integrerad ogräsdetekterings- och hanteringsmodell med hjälp av CBAM-modulen, BiFPN-strukturen och bilinjär interpolationsalgoritm. Xu et al. (2023) presenterade ett nytt tillvägagångssätt som kombinerar synliga färgindex med en instanssegmenteringsmetod baserad på en kodar-dekoderarkitektur, vilket effektivt tacklar utmaningen att noggrant detektera och segmentera ogräs bland tätt planterade sojabönsgrödor. Liao et al. (2024) föreslog en ny Strip Convolutional Network-modell (SC-Net), som uppnår mIoU-poäng på 87,48 % och 89,00 % på anpassade risplantor och offentliga jordbruksdatauppsättningar, vilket visar hög noggrannhet och stabilitet. Ronay et al. (2024) utvärderade SMA:s prestation vid uppskattning av ogrästäckning vid olika tillväxtstadier samt i spektral och rumslig upplösning. Rai och Sun (2024) utvecklade en djupinlärningsarkitektur i ett-steg som kan både lokalisering av bounding box och pixel{44}}instanssegmentering av ogräs i UAV-förvärvade fjärranalysbilder.
Sammanfattningsvis är aktuell forskning främst inriktad på att skilja grödor från ogräs. Men för laserrensning i jordgubbsfält är det viktigt att inte bara identifiera ogräs utan också att upptäcka droppbevattningsrör och lokalisera ogrästillväxtpunktskoordinater för att möjliggöra exakta ogräsrensningsoperationer. Att använda droppbevattningsrör för fältnavigering lägger till funktionalitet till en enda nätverksmodell, vilket optimerar beräkningsresurser. Ändå innebär de varierande storlekarna på jordgubbsplantor, slanka vattenledningar och komplexa förhållanden, såsom överlappning mellan jordgubbsplantor och rör, såväl som tätt samlade ogräs, stora utmaningar för att noggrant utvinna och lära sig egenskaperna hos ogräs, jordgubbsplantor, bevattningsrör i jordgubbsfält och tillväxtpunkter för ogräs.
Baserat på ovanstående sammanhang syftar denna studie till att: (1) upprätta en datauppsättning som täcker olika tillväxtförhållanden och stadier för jordgubbsåkrar, droppbevattningsrör, ogräs och ogrästillväxtpunkter; (2) föreslå DIN-LW-YOLO-modellen för att exakt detektera jordgubbsåkrar, droppbevattningsrör, ogräs och ogräsväxtpunkter; (3) utveckla ett kontrollsystem baserat på DIN-LW-YOLO-modellen för att hantera-realtidsnavigering och laserinriktning för ogräsroboten; och (4) genomföra fältförsök genom att använda laserrensningsroboten i jordgubbsfält för att utvärdera dess autonoma laserrensningsprestanda under verkliga fältförhållanden.
