Abstrakti
Mansikkapellolla rikkaruohot lisääntyvät nopeasti ja riistävät mansikan taimista ravinteita ja valoa, nostavat paikallista ympäristön lämpötilaa ja toimivat tuholaisten ja tautien väliisäntänä nopeuttaen niiden esiintymistä ja leviämistä. Käsitelläksemme mansikan taimien viljelyn rikkakasvien torjuntaa, tässä artikkelissa suunnitellaan autonominen laserrobotti mansikkapelloille, joka perustuu DIN-LW-YOLO-standardiin. Ensinnäkin, luomalla tietojoukkoja mansikkapelloilta eri ympäristöissä, ehdotamme DIN-LW-YOLO:a: tunnistusmenetelmää tippakasteluputkien navigointiin ja laserkasteluihin, joka pystyy havaitsemaan mansikan taimet, rikkakasvit, tippakasteluputket ja rikkakasvien kasvupisteet reaaliajassa-. Malli rakentaa ennustuspäät YOLOv8{11}}-asennon korkearesoluutioisille piirrekartoille. EMA-huomiomoduuli lisätään ennustuspään ja Spatial Pyramid Pooling Fast (SPPF) -moduulin eteen pikselitason{15}}parisuhteiden tallentamiseksi. Tämä lähestymistapa hyödyntää paremmin matalien karttakohteiden yksityiskohtaisia tietoja, mikä parantaa pienten kohteiden havaitsemista. Lisäksi muotoaan muuttavia konvoluutioita käytetään adaptiivisesti sieppaamaan kohdepiirteitä, korvaamalla toisen kierteen ominaisuusfuusiomoduulin pullonkaularakenteessa, mikä parantaa pitkänomaisten tippakasteluputkien kohteiden havaitsemista. Seuraavaksi DIN-LW-YOLO integroidaan laserrikkarobottiin. Ohjausjärjestelmä määrittää navigointipolun tippakasteluputken leveyden perusteella palauteohjausta varten ja paikantaa laserkohteen hankkimalla rikkakasvien kasvupisteiden koordinaatit suhteessa mansikan taimiin ja tippakasteluputkiin, jolloin saadaan aikaan autonomiset laserkastelutoiminnot. Testitulokset osoittavat, että DIN-LW-YOLO-malli osoittaa vahvaa tunnistuskykyä mansikkapeltojen tiedoissa eri ympäristöissä ja kasvuvaiheissa. Mallin keskimääräinen tarkkuus (mAP) alueellisessa ja pistekohteen havaitsemisessa on 88,5 % ja 85,0 %, mikä on 1,9 % ja 2,6 % parempi kuin alkuperäisessä mallissa, mikä täyttää autonomisen laserrobotin reaaliaikaisen toiminnan vaatimukset. Peltokoetulokset osoittavat rikkakasvien torjuntaa 92,6 % ja taimien vaurioita 1,2 %, mikä täyttää mansikkapellojen mekaanisen kitkemisen agronomiset vaatimukset. Löydökset edistävät älykkäiden maatalouslaitteiden suunnittelua ja edistävät konenäön soveltamista mansikan kasvinsuojelussa.
Johdanto
Mansikat ovat Rosaceae-heimon monivuotisia ruohomaisia kasveja, jotka tyypillisesti lisääntyvät kasvullisesti stolonien kautta. Matala-mansikkakasvit ovat erittäin herkkiä ympäröiville rikkaruohoille sekä taimitarha- että peltoympäristössä. Voimakkaat rikkaruohot eivät vain kilpaile ravinteista ja valosta nostaen paikallista ympäristön lämpötilaa, vaan toimivat myös tuholaisten ja tautien väliisäntinä, mikä nopeuttaa niiden leviämistä. Näin ollen rikkakasvien torjunta vaikuttaa suoraan mansikoiden satoon ja laatuun. Yleisesti käytetyt ennen- ja sen jälkeiset rikkakasvien torjunta-aineet vaikuttavat negatiivisesti satoon, ympäristöön ja työntekijöiden terveyteen (Huang et al., 2018). Rabier et ai. (2017) totesi, että mekaaniset rikkakasvit ovat vähemmän tehokkaita kuin rikkakasvien torjunta-aineet, koska perinteiset rikkakasvit (esim. kuokat, pyörivät terät) eivät voi kohdistaa erityisesti rivinsisäisiä rikkakasveja. Lisäksi maanmuokkaus voi vahingoittaa hyödyllisiä maaperän eliöitä, kuten kastematoja, ja johtaa maaperän eroosioon ja ravinteiden huuhtoutumiseen (Chatterjee & Lal, 2009). Huoli nykyisistä rikkakasvien torjuntamenetelmistä korostaa tarvetta innovatiivisille ratkaisuille, joiden joukossa laser{18}}perustainen rikkakasvien torjunta on lupaava (Tran et al., 2023).
Laser{0}}perustaisen rikkakasvien torjunnan alalla monet edistysaskeleet ovat jatkuvasti edistäneet teknologian kehitystä. Heisel et ai. (2001) aloitti lasersäteiden käytön rikkakasvien varsien leikkaamisessa rikkakasvien torjuntaa varten. Myöhemmin Mathiassen et ai. (2006) suoritti perusteellisen tutkimuksen laserkäsittelyn vaikutuksista rikkakasvien torjuntaan ja havaitsi, että laseraltistus rikkakasvien apikaalimeristeemeille vähensi merkittävästi kasvua ja oli kohtalokasta tietyille rikkakasvilajeille. Nadimi et ai. (2009) suunnitteli laserrikkakasvien testauslaitteen simuloimaan rikkakasvien dynaamista kohdistusta. Myöhemmin Marx et ai. (2012) osoittivat kokeellisesti, että tehokas rikkakasvien torjunta vaatii CNC- (Computer Numerical Control) -tarkkuutta meristeemeihin, kun taas Ge et al. (2013) ja Xuelei et ai. (2016) jokainen ehdotti robottikäsikonsepteja laserrikkaiden kitkemiseen. Arsa et ai. (2023) esitteli konvoluutiohermoverkon, jossa on enkooderi{21}}dekooderiarkkitehtuuri rikkakasvien kasvupisteiden havaitsemiseksi. Se korostaa kasvupisteiden havaitsemisen merkitystä ja toteutettavuutta tämän tekniikan tarkkaan laserkohdistukseen. Yhdessä nämä tutkimukset ovat systemaattisesti kehittäneet laser{24}}perustaista rikkakasvien torjuntatekniikkaa eri ulottuvuuksissa.
Viime vuosina tutkijat ovat käyttäneet syväoppimistekniikoita rikkakasvien havaitsemiseen viljelykasveilla torjuakseen peltojen kitkemisen haasteita. Gao et ai. (2020) kehittivät menetelmän, jossa käytetään YOLOv3--pohjaista syväkonvoluutiohermoverkkoa (CNN) sokerijuurikkaan erottamiseksi rikkakasveista, kun taas Jabir et al. (2021) käytti neljää verkkoarkkitehtuuria -Detectron 2, EfficientDet, YOLO ja Faster R-CNN- erottaakseen orkideat convolvulusista ja valitsivat sopivimman rakenteen rikkakasvien havaitsemiseen. Chen et ai. (2022) paransivat YOLOv4-mallia sisällyttämällä SE-moduulin SPP:n logiikkakerrokseksi ja lisäämällä paikallisen tärkeyden yhdistämisen, joka puuttui kohdekokojen vaihteluun ja paransi merkittävästi rikkakasvien tunnistamisen tehokkuutta ja tarkkuutta seesamipelloilla. Visentin et ai. (2023) esitteli itsenäisen hybridirobottijärjestelmän, jolla saavutettiin älykäs ja automatisoitu kitkeminen. Shao et ai. (2023) käsitteli riisipeltojen monimutkaisia ongelmia,-kuten veden heijastus, maaperän tausta, päällekkäinen kasvu ja monipuolinen valaistus-ehdottamalla parannettua syväoppimismallia, GTCBS-YOLOv5s, tunnistamaan kuusi rikkakasvityyppiä. Fan et ai. (2023) loi integroidun rikkakasvien havaitsemis- ja hallintamallin käyttämällä CBAM-moduulia, BiFPN-rakennetta ja bilineaarista interpolaatioalgoritmia. Xu et ai. (2023) esitteli uuden lähestymistavan, jossa näkyvät väriindeksit yhdistetään enkooder{34}}dekooderarkkitehtuuriin perustuvaan esiintymien segmentointimenetelmään, joka vastaa tehokkaasti haasteeseen havaita ja segmentoida rikkakasvit tarkasti tiheästi istutettujen soijapapukasvien joukossa. Liao et ai. (2024) ehdotti uutta Strip Convolutional Network -mallia (SC-Net), joka saavuttaa miljoonien pisteiden 87,48 % ja 89,00 % mukautetuissa riisintaimissa ja julkisissa maataloustietosarjoissa, mikä osoittaa suurta tarkkuutta ja vakautta. Ronay et ai. (2024) arvioi SMA:n suorituskykyä rikkakasvien peittävyyden arvioinnissa eri kasvuvaiheissa sekä spektri- ja spatiaalisessa resoluutiossa. Rai ja Sun (2024) kehittivät yksivaiheisen syväoppimisarkkitehtuurin, joka pystyy sekä rajaavien ruutujen lokalisoimiseen että pikseli{44}}-instanssin segmentointiin UAV:lla hankituissa kaukokartoituskuvissa.
Yhteenvetona voidaan todeta, että nykyinen tutkimus keskittyy ensisijaisesti kasvien erottamiseen rikkakasveista. Mansikkapeltojen laserrikkaruohotessa on kuitenkin olennaista rikkaruohojen tunnistamisen lisäksi myös tippakasteluputkien havaitseminen ja rikkakasvien kasvupisteiden koordinaatin paikallistaminen tarkan kitkemisen mahdollistamiseksi. Tippakasteluputkien käyttäminen kenttänavigointiin lisää toimintoja yhteen verkkomalliin ja optimoi laskennalliset resurssit. Mansikkakasvien vaihtelevat koot, ohuet vesiputket ja monimutkaiset olosuhteet, kuten mansikan taimien ja putkien päällekkäisyydet sekä tiheästi ryhmittyneet rikkakasvit asettavat kuitenkin merkittäviä haasteita rikkakasvien, mansikan taimien, kasteluputkien ja mansikkapellon kasvupisteiden ominaisuuksien tarkalle poimimiselle ja oppimiselle.
Yllä olevaan kontekstiin perustuen tämän tutkimuksen tavoitteena on: (1) muodostaa tietoaineisto, joka kattaa mansikkapellot, tippakasteluputket, rikkakasvit ja rikkakasvien kasvukohdat eri kasvuolosuhteet ja -vaiheet; (2) ehdottaa DIN-LW-YOLO-mallia mansikkapeltojen, tippakasteluputkien, rikkaruohojen ja rikkakasvien kasvupisteiden tarkkaan havaitsemiseen; (3) kehittää DIN{5}}LW-YOLO-malliin perustuva ohjausjärjestelmä, joka hallitsee reaaliaikaista-navigointia ja laserkohdistusta kitkemisrobotille; ja (4) suorittaa kenttäkokeita ottamalla käyttöön laserrobotti mansikkapelloilla arvioidakseen sen autonomista laserkasvatuksen suorituskykyä todellisissa pelto-olosuhteissa.
