Anotacija
Piktžolės braškių laukuose sparčiai dauginasi, atimdamos iš braškių daigų maistines medžiagas ir šviesą, padidindamos vietinę aplinkos temperatūrą, tarnauja kaip tarpiniai kenkėjų ir ligų šeimininkai, pagreitindamos jų atsiradimą ir plitimą. Siekiant išspręsti piktžolių kontrolės problemą auginant braškių sodinukus, šiame darbe sukurtas autonominis lazerinis ravėjimo robotas braškių laukams, pagrįstas DIN-LW-YOLO. Pirma, sudarydami duomenų rinkinius iš braškių laukų įvairiose aplinkose, siūlome DIN-LW-YOLO: lašelinio drėkinimo vamzdžių navigacijos ir ravėjimo lazeriu aptikimo metodą, kuris gali aptikti braškių sodinukus, piktžoles, lašelinio drėkinimo vamzdžius ir piktžolių augimo taškus realiu-laiku. Modelis numatymo galvutes sudaro didelės -raiškos YOLOv8{11}} pozos žemėlapiuose. EMA dėmesio modulis pridedamas prieš numatymo galvutę ir sparčiojo erdvinio piramidės kaupimo (SPPF) modulį, kad užfiksuotų pikselių{15}lygio porinius ryšius. Šis metodas geriau panaudoja išsamią informaciją iš negilių objektų žemėlapių ir pagerina mažo taikinio aptikimą. Be to, deformuojamieji posūkiai yra naudojami adaptyviai užfiksuoti tikslines savybes, pakeičiant antrąją posūkį elementų suliejimo modulio sandarumo struktūroje, pagerinant pailgų lašelinio drėkinimo vamzdžių taikinių aptikimą. Tada DIN-LW-YOLO yra integruotas į lazerinį ravėjimo robotą. Valdymo sistema nustato navigacijos kelią pagal lašelinio laistymo vamzdžio plotį, kad būtų galima valdyti grįžtamąjį ryšį, ir nustato lazerinio taikinio padėtį, gaudama piktžolių augimo taškų koordinates braškių sodinukų ir lašelinio drėkinimo vamzdžių atžvilgiu, taip užtikrindama autonomines lazerinio ravėjimo operacijas. Bandymų rezultatai rodo, kad DIN-LW-YOLO modelis puikiai atpažįsta braškių lauko duomenis skirtingose aplinkose ir augimo stadijose. Vidutinis modelio tikslumas (mAP) regioninio ir taškinio taikinio aptikimo metu yra atitinkamai 88,5% ir 85,0%, 1,9% ir 2,6% geresnis, palyginti su pradiniu modeliu, atitinkantis autonominio lazerinio ravėjimo roboto veikimo realiu laiku reikalavimus. Lauko bandymų rezultatai rodo, kad piktžolių naikinimo ir sėjinukų pažeidimo lygis yra atitinkamai 92,6% ir 1,2%, atitinkantis agrotechnikos reikalavimus mechaniniam ravėjimui braškių laukuose. Išvados prisideda prie išmaniosios žemės ūkio įrangos projektavimo ir skatina mašininio matymo taikymą braškių pasėlių apsaugai.
Įvadas
Braškės yra daugiamečiai žoliniai augalai iš Rosaceae šeimos, paprastai dauginami vegetatyviniu būdu per stolonus. Žemai -augantys braškių augalai yra labai jautrūs aplinkinėms piktžolėms tiek darželių, tiek lauko aplinkoje. Energingos piktžolės ne tik konkuruoja dėl maisto medžiagų ir šviesos, didindamos vietos aplinkos temperatūrą, bet ir yra tarpinės kenkėjų ir ligų šeimininkės, spartinančios jų plitimą. Vadinasi, piktžolių naikinimas tiesiogiai veikia braškių derlių ir kokybę. Dažnai naudojami herbicidai prieš - ir po- atsiradimo neigiamai veikia derlių, aplinką ir darbuotojų sveikatą (Huang ir kt., 2018). Rabier ir kt. (2017) pažymėjo, kad mechaninės piktžolės yra mažiau veiksmingos nei herbicidai, nes įprastos piktžolės (pvz., kapliai, sukamieji peiliai) negali konkrečiai kovoti su eilėje esančiomis piktžolėmis. Be to, dirvožemio trikdymas dėl žemės dirbimo gali pakenkti naudingiems dirvožemio organizmams, tokiems kaip sliekai, ir sukelti dirvožemio eroziją bei maistinių medžiagų išplovimą (Chatterjee & Lal, 2009). Susirūpinimas dėl dabartinių piktžolių kontrolės metodų pabrėžia naujoviškų sprendimų poreikį, tarp kurių žada lazeriu{18}}pagrįsta piktžolių kontrolė (Tran ir kt., 2023).
Lazerinės{0}}piktžolių kontrolės srityje įvairios pažangos nuolat skatina šios technologijos vystymąsi. Heisel ir kt. (2001) pradėjo naudoti lazerio spindulius piktžolių stiebams pjauti, siekiant kovoti su piktžolėmis. Vėliau Mathiassen ir kt. (2006) atliko nuodugnų gydymo lazeriu poveikio piktžolių slopinimui{7} tyrimą ir nustatė, kad lazerio poveikis piktžolių viršūninėms meristemoms žymiai sumažino augimą ir buvo mirtinas tam tikroms piktžolių rūšims. Nadimi ir kt. (2009) sukūrė lazerinį ravėjimo bandymo įrenginį, kuris imituoja dinamišką piktžolių taikymą. Vėliau Marksas ir kt. (2012) eksperimentiškai įrodė, kad veiksmingai piktžolių kontrolei reikalingas CNC (kompiuterinis skaitmeninis valdymas) tikslumas meristemų taikymas, o Ge ir kt. (2013) ir Xuelei ir kt. (2016) kiekvienas pasiūlė robotų rankų koncepcijas lazeriniam ravėjimui. Arsa ir kt. (2023) pristatė konvoliucinį neuroninį tinklą su kodavimo{21}}dekoderio architektūra, kad būtų galima aptikti piktžolių augimo taškus, pabrėždama augimo -taškų aptikimo svarbą ir galimybes, kad būtų galima tiksliai taikyti lazerį naudojant šią technologiją. Kartu šie tyrimai sistemingai patobulino lazeriu{24}}pagrįstą įvairių dimensijų piktžolių kontrolės technologiją.
Pastaraisiais metais, siekdami išspręsti ravėjimo laukuose problemas, mokslininkai taikė gilaus mokymosi metodus piktžolėms aptikti pasėlių laukuose. Gao ir kt. (2020). (2021) pritaikė keturias tinklo architektūras -Detectron 2, EfficientDet, YOLO ir Faster R-CNN-, kad atskirtų orchidėjas nuo convolvulus, pasirinkdami tinkamiausią struktūrą piktžolėms aptikti. Chen ir kt. (2022) patobulino YOLOv4 modelį įtraukdami SE modulį kaip loginį SPP sluoksnį ir įtraukdami lokalizuotą svarbos telkimą, sprendžiant tikslinių dydžių skirtumus ir žymiai padidinant piktžolių atpažinimo efektyvumą ir tikslumą sezamo laukuose. Visentin ir kt. (2023) pademonstravo hibridinę autonominę robotų ravėjimo sistemą, kuri pasiekė protingą ir automatizuotą ravėjimą. Shao ir kt. (2023) sprendė sudėtingas žaliavinių laukų problemas,{21}}pvz., vandens atspindį, dirvožemio foną, sutampantį augimą ir įvairų apšvietimą,-pasiūlydamas patobulintą giluminio mokymosi modelį GTCBS-YOLOv5, kad būtų galima nustatyti šešis piktžolių tipus. Fan ir kt. (2023) sukūrė integruotą piktžolių aptikimo ir valdymo modelį, naudodamas CBAM modulį, BiFPN struktūrą ir bilinijinį interpoliacijos algoritmą. Xu ir kt. (2023) pristatė naują metodą, pagal kurį matomi spalvų indeksai derinami su egzempliorių segmentavimo metodu, pagrįstu kodavimo{34}}dekoderio architektūra, veiksmingai sprendžiant iššūkį tiksliai aptikti ir segmentuoti piktžoles tarp tankiai pasodintų sojų pupelių. Liao ir kt. (2024) pasiūlė naują Strip Convolutional Network modelį (SC-Net), pasiekiantį 87,48 % ir 89,00 % mIoU balų pagal individualius ryžių sodinukus ir viešuosius žemės ūkio duomenų rinkinius, o tai rodo didelį tikslumą ir stabilumą. Ronay ir kt. (2024) įvertino SMA efektyvumą vertinant piktžolių aprėptį įvairiais augimo tarpsniais, taip pat spektrinę ir erdvinę skiriamąją gebą. Rai ir Sun (2024) sukūrė vieno -pakopos gilaus mokymosi architektūrą, galinčią ir ribojančio langelio lokalizaciją, ir pikselių-lygmens piktžoles segmentuoti UAV gautuose nuotolinio aptikimo vaizduose.
Apibendrinant galima teigti, kad dabartiniai tyrimai pirmiausia skirti atskirti pasėlius nuo piktžolių. Tačiau norint ravėti lazeriu braškių laukuose, labai svarbu ne tik identifikuoti piktžoles, bet ir aptikti lašelinio drėkinimo vamzdžius bei lokalizuoti piktžolių augimo taškų koordinates, kad būtų galima tiksliai ravėti. Lašelinio drėkinimo vamzdžių naudojimas lauko navigacijai suteikia vieno tinklo modelio funkcionalumo ir optimizuoja skaičiavimo išteklius. Nepaisant to, įvairus braškių augalų dydžiai, ploni vandens vamzdžiai ir sudėtingos sąlygos, tokios kaip braškių sodinukų ir vamzdžių persidengimas, taip pat tankiai susitelkusios piktžolės, kelia didelių iššūkių norint tiksliai išgauti ir išmokti piktžoles, braškių sodinukus, drėkinimo vamzdžius ir braškių lauko augimo taškus.
Remiantis aukščiau pateiktu kontekstu, šiuo tyrimu siekiama: (1) sukurti duomenų rinkinį, apimantį įvairias braškių laukų augimo sąlygas ir etapus, lašelinio drėkinimo vamzdžius, piktžoles ir piktžolių augimo taškus; (2) pasiūlyti DIN-LW-YOLO modelį, kad būtų galima tiksliai aptikti braškių laukus, lašelinio drėkinimo vamzdžius, piktžoles ir piktžolių augimo taškus; (3) sukurti valdymo sistemą, pagrįstą DIN-LW-YOLO modeliu, kad būtų galima valdyti-navigaciją realiuoju laiku ir ravėjimo roboto taikymą lazeriu; ir (4) atlikti lauko bandymus, naudojant lazerinį ravėjimo robotą braškių laukuose, siekiant įvertinti jo savarankišką lazerinį ravėjimo efektyvumą realiomis lauko sąlygomis.
