Abstrakts
Nezāles zemeņu laukos ātri vairojas, atņemot zemeņu stādiem barības vielas un gaismu, paaugstinot vietējo vides temperatūru un kalpojot par kaitēkļu un slimību starpsaimniekiem, paātrinot to rašanos un izplatīšanos. Lai risinātu nezāļu apkarošanas problēmu zemeņu stādu audzēšanas laikā, šajā rakstā ir izstrādāts autonoms lāzera ravēšanas robots zemeņu laukiem, pamatojoties uz DIN-LW-YOLO. Pirmkārt, izveidojot datu kopas no zemeņu laukiem dažādās vidēs, mēs piedāvājam DIN-LW-YOLO — noteikšanas metodi pilienveida apūdeņošanas cauruļu navigācijai un lāzera ravēšanai, kas var noteikt zemeņu stādus, nezāles, pilienveida apūdeņošanas caurules un nezāļu augšanas punktus-reālā laikā. Modelis konstruē prognožu galviņas YOLOv8 pozas augstas izšķirtspējas{8}}iezīmju kartēs{11}}. EMA uzmanības modulis ir pievienots pirms prognozēšanas galviņas un telpiskās piramīdas ātras apvienošanas (SPPF) moduļa, lai tvertu pikseļu{15}līmeņa pāra attiecības. Šī pieeja labāk izmanto detalizētu informāciju no seklu objektu kartēm, uzlabojot maza mērķa noteikšanu. Turklāt, lai adaptīvi tvertu mērķa pazīmes, tiek izmantotas deformējamas līknes, aizstājot otro pagriezienu elementu saplūšanas moduļa vājās vietas struktūrā, uzlabojot iegarenu pilienveida apūdeņošanas cauruļu mērķu noteikšanu. Pēc tam DIN-LW-YOLO tiek integrēts lāzera ravēšanas robotā. Vadības sistēma nosaka navigācijas ceļu, pamatojoties uz pilienveida apūdeņošanas caurules platumu atgriezeniskās saites kontrolei, un pozicionē lāzera mērķi, iegūstot nezāļu augšanas punktu koordinātas attiecībā pret zemeņu stādiem un pilienveida apūdeņošanas caurulēm, panākot autonomas lāzera ravēšanas darbības. Testa rezultāti liecina, ka DIN-LW-YOLO modelis demonstrē spēcīgu atpazīšanas veiktspēju zemeņu lauka datos dažādās vidēs un augšanas stadijās. Modeļa vidējā precizitāte (mAP) reģionālā un punktveida mērķa noteikšanā ir attiecīgi 88,5% un 85,0%, uzlabojoties par 1,9% un 2,6% salīdzinājumā ar sākotnējo modeli, kas atbilst autonomā lāzera ravēšanas robota reāllaika darbības prasībām. Lauka pārbaužu rezultāti liecina par nezāļu ierobežošanu un sējeņu bojājumu līmeni attiecīgi 92,6% un 1,2%, kas atbilst agronomiskajām prasībām mehāniskai ravēšanai zemeņu laukos. Rezultāti veicina viedo lauksaimniecības iekārtu izstrādi un veicina mašīnredzes izmantošanu zemeņu kultūru aizsardzībā.
Ievads
Zemenes ir daudzgadīgi zālaugu augi no Rosaceae dzimtas, ko parasti pavairo veģetatīvi, izmantojot stolonus. Zemu-zemeņu augi ir ļoti jutīgi pret apkārtējām nezālēm gan stādaudzētavu, gan lauka vidē. Spēcīgās nezāles ne tikai sacenšas par barības vielām un gaismu, paaugstinot vietējo vides temperatūru, bet arī kalpo kā starpsaimnieces kaitēkļiem un slimībām, paātrinot to izplatību. Līdz ar to nezāļu ierobežošana tieši ietekmē zemeņu ražu un kvalitāti. Bieži lietotie herbicīdi pirms- un pēc-parādīšanās negatīvi ietekmē ražu, vidi un darbinieku veselību (Huang et al., 2018). Rabier et al. (2017) atzīmēja, ka mehāniskās ravētājas ir mazāk efektīvas nekā herbicīdi, jo parastās ravēšanas iekārtas (piemēram, kapļi, rotējošie asmeņi) nevar īpaši mērķēt uz rindu iekšējām nezālēm. Turklāt augsnes traucējumi augsnes apstrādes rezultātā var kaitēt labvēlīgiem augsnes organismiem, piemēram, sliekām, un izraisīt augsnes eroziju un barības vielu izskalošanos (Chatterjee & Lal, 2009). Bažas par pašreizējām nezāļu apkarošanas metodēm uzsver vajadzību pēc inovatīviem risinājumiem, starp kuriem daudzsološa ir nezāļu kontrole ar lāzeru{18} (Tran et al., 2023).
Lāzera{0}}nezāļu apkarošanas jomā šīs tehnoloģijas attīstību ir nepārtraukti veicinājuši dažādi sasniegumi. Heisel et al. (2001) aizsāka lāzera staru izmantošanu nezāļu stublāju griešanai nezāļu apkarošanai. Vēlāk Mathiassen et al. (2006) veica padziļinātu pētījumu par lāzera apstrādes ietekmi uz nezāļu nomākšanu, atklājot, ka lāzera iedarbība uz nezāļu apikālām meristēmām ievērojami samazināja augšanu un bija nāvējoša dažām nezāļu sugām. Nadimi et al. (2009) izstrādāja lāzera ravēšanas testa ierīci, lai simulētu nezāļu dinamisko mērķēšanu. Pēc tam Markss et al. (2012) eksperimentāli pierādīja, ka efektīvai nezāļu kontrolei nepieciešama CNC (Computer Numerical Control) precīza meristēmu mērķēšana, savukārt Ge et al. (2013) un Xuelei et al. (2016) katrs piedāvāja robotu roku koncepcijas lāzera ravēšanai. Arsa et al. (2023) ieviesa konvolucionālu neironu tīklu ar kodētāja{21}}dekodētāja arhitektūru, lai noteiktu nezāļu augšanas punktus, uzsverot augšanas punktu noteikšanas nozīmi un iespējamību precīzai lāzera mērķauditorijas atlasei šajā tehnoloģijā. Kopā šie pētījumi ir sistemātiski pilnveidojuši lāzera{24}}nezāļu kontroles tehnoloģiju dažādās dimensijās.
Pēdējos gados, lai risinātu lauka ravēšanas problēmas, pētnieki ir izmantojuši dziļas mācīšanās metodes nezāļu noteikšanai labības laukos. Gao et al. (2020) izstrādāja metodi, izmantojot YOLOv3-pamatotu dziļo konvolucionālo neironu tīklu (CNN), lai atšķirtu cukurbietes no nezālēm, savukārt Jabir et al. (2021) izmantoja četras tīkla arhitektūras -Detectron 2, EfficientDet, YOLO un Faster R-CNN-, lai atšķirtu orhidejas no convolvulus, izvēloties vispiemērotāko struktūru nezāļu noteikšanai. Chen et al. (2022) uzlaboja YOLOv4 modeli, iekļaujot SE moduli kā loģisko slāni SPP un pievienojot lokalizētu svarīguma apvienošanu, novēršot mērķa izmēru atšķirības un būtiski uzlabojot nezāļu atpazīšanas efektivitāti un precizitāti sezama laukos. Visentin et al. (2023) demonstrēja hibrīdu autonomu robotizētu ravēšanas sistēmu, kas panāca inteliģentu un automatizētu ravēšanu. Šao et al. (2023) risināja sarežģītas problēmas rīsu laukos,{21}}piemēram, ūdens atstarošana, augsnes fons, augšana un daudzveidīgs apgaismojums-, piedāvājot uzlabotu dziļās mācīšanās modeli GTCBS-YOLOv5s, lai identificētu sešus nezāļu veidus. Fan et al. (2023) izveidoja integrētu nezāļu noteikšanas un pārvaldības modeli, izmantojot CBAM moduli, BiFPN struktūru un bilineāro interpolācijas algoritmu. Xu et al. (2023) iepazīstināja ar jaunu pieeju, kas apvieno redzamus krāsu rādītājus ar gadījumu segmentēšanas metodi, kuras pamatā ir kodētāja-dekodētāja arhitektūra, efektīvi risinot uzdevumu precīzi noteikt un segmentēt nezāles blīvi stādītās sojas kultūrās. Liao et al. (2024) ierosināja jaunu Strip Convolutional Network (SC-Net) modeli, kas sasniedz 87,48 % un 89,00 % mIoU rādītājus par pielāgotiem rīsu stādiem un publiskajām lauksaimniecības datu kopām, demonstrējot augstu precizitāti un stabilitāti. Ronay et al. (2024) novērtēja SMA veiktspēju, novērtējot nezāļu pārklājumu dažādās augšanas stadijās, kā arī spektrālo un telpisko izšķirtspēju. Rai un Sun (2024) izstrādāja viena-pakāpes dziļās mācīšanās arhitektūru, kas spēj gan lokalizēt robežlodziņu, gan pikseļu-līmenī segmentēt nezāles UAV iegūtajos attālās uzrādes attēlos.
Rezumējot, pašreizējie pētījumi galvenokārt ir vērsti uz kultūraugu atšķiršanu no nezālēm. Tomēr lāzera ravēšanai zemeņu laukos ir svarīgi ne tikai identificēt nezāles, bet arī noteikt pilienveida apūdeņošanas caurules un lokalizēt nezāļu augšanas punktu koordinātas, lai nodrošinātu precīzas ravēšanas darbības. Pilienu apūdeņošanas cauruļu izmantošana lauka navigācijai papildina funkcionalitāti vienam tīkla modelim, optimizējot skaitļošanas resursus. Neskatoties uz to, dažādie zemeņu stādu izmēri, slaidās ūdens caurules un sarežģītie apstākļi, piemēram, zemeņu stādu un cauruļu pārklāšanās, kā arī blīvi grupētās nezāles, rada ievērojamas problēmas, lai precīzi ekstrahētu un apgūtu nezāļu, zemeņu stādu, apūdeņošanas cauruļu un zemeņu lauka augšanas punktu īpašības.
Pamatojoties uz iepriekš minēto kontekstu, šī pētījuma mērķis ir: (1) izveidot datu kopu, kas aptver dažādus augšanas apstākļus un posmus zemeņu laukiem, pilienveida apūdeņošanas caurulēm, nezālēm un nezāļu augšanas punktiem; (2) piedāvāt DIN-LW-YOLO modeli, lai precīzi noteiktu zemeņu laukus, pilienveida apūdeņošanas caurules, nezāles un nezāļu augšanas vietas; (3) izstrādāt vadības sistēmu, kuras pamatā ir DIN-LW-YOLO modelis, lai pārvaldītu reāllaika-navigāciju un lāzera mērķēšanu ravēšanas robotam; un (4) veic lauka izmēģinājumus, izvietojot lāzera ravēšanas robotu zemeņu laukos, lai novērtētu tā autonomo lāzera ravēšanas veiktspēju reālos lauka apstākļos.
