Abstraktne
Umbrohud paljunevad maasikapõldudel kiiresti, jättes maasika seemikud ilma toitainetest ja valgusest, suurendades kohalikku keskkonnatemperatuuri ning toimides kahjurite ja haiguste vaheperemehena, kiirendades nende esinemist ja levikut. Umbrohutõrje probleemi lahendamiseks maasika seemikute kasvatamisel kavandatakse selles artiklis maasikapõldude jaoks autonoomne laserumbrohurobot, mis põhineb DIN-LW-YOLO-l. Esiteks pakume erinevates keskkondades maasikapõldude andmekogumeid koostades välja DIN-LW-YOLO: tilkniisutustorude navigeerimise ja laserumbrohutõrje tuvastamismeetodi, mis suudab tuvastada maasikaseemneid, umbrohtu, tilkniisutustorusid ja umbrohu kasvupunkte reaalajas-. Mudel konstrueerib ennustuspead YOLOv8{11}}kõrge eraldusvõimega kaartidele. EMA tähelepanumoodul lisatakse enne ennustuspead ja SPPF-i (Spatial Pyramid Pooling Fast) moodulit, et jäädvustada piksli{15}tasemega seotud seoseid. See lähenemisviis kasutab paremini madalate objektide kaartide üksikasjalikku teavet, parandades väikese sihtmärgi tuvastamist. Lisaks kasutatakse sihtmärkide adaptiivseks hõivamiseks deformeeruvaid keerdkäike, mis asendavad funktsioonide liitmooduli kitsaskoha struktuuris teise keerdumise, parandades piklike tilkniisutustoru sihtmärkide tuvastamist. Järgmiseks integreeritakse DIN-LW-YOLO laserumbrohurobotisse. Juhtsüsteem määrab tagasiside juhtimiseks tilkkastmistoru laiuse põhjal navigatsioonitee ja positsioneerib lasersihi, saades umbrohu kasvupunktide koordinaadid maasika seemikute ja tilkniisutustorude suhtes, saavutades autonoomse laseriga umbrohutõrje. Katsetulemused näitavad, et DIN-LW-YOLO mudel demonstreerib maasikapõllu andmetel eri keskkondades ja kasvuetappides tugevat tuvastamisjõudlust. Mudeli keskmine täpsus (mAP) piirkondlikul ja punktsihi tuvastamisel on vastavalt 88,5% ja 85,0%, mis on võrreldes algmudeliga paranenud 1,9% ja 2,6%, mis vastab autonoomse laserroboti reaalajas töötamise nõuetele. Põldkatsete tulemused näitavad, et umbrohutõrje ja seemikute kahjustamise määr on vastavalt 92,6% ja 1,2%, mis vastab agronoomilistele nõuetele mehaanilise umbrohutõrje maasikapõldudel. Leiud aitavad kaasa intelligentsete põllumajandusseadmete kavandamisele ja soodustavad masinnägemise rakendamist maasikakultuuride kaitses.
Sissejuhatus
Maasikad on Rosaceae perekonna mitmeaastased rohttaimed, mida tavaliselt paljundatakse vegetatiivselt stoonide kaudu. Madalakasvulised maasikataimed on väga vastuvõtlikud ümbritsevate umbrohtude suhtes nii puukoolis kui ka põllul. Jõulised umbrohud ei konkureeri mitte ainult toitainete ja valguse pärast, tõstes kohalikku keskkonnatemperatuuri, vaid toimivad ka kahjurite ja haiguste vaheperemeestena, kiirendades nende levikut. Järelikult mõjutab umbrohutõrje otseselt maasikate saagikust ja kvaliteeti. Tavaliselt kasutatavad enne- ja pärast-tekkimist kasutatavad herbitsiidid mõjutavad negatiivselt saagikust, keskkonda ja töötajate tervist (Huang et al., 2018). Rabier et al. (2017) märkisid, et mehaanilised umbrohutõrjevahendid on vähem tõhusad kui herbitsiidid, kuna tavapärased umbrohutõrjevahendid (nt kõblad, pöörlevad terad) ei saa konkreetselt sihikule võtta reasiseseid umbrohtusid. Lisaks võib mullaharimisest tulenev mulla häirimine kahjustada kasulikke mullaorganisme, nagu vihmaussid, ning põhjustada mulla erosiooni ja toitainete leostumist (Chatterjee & Lal, 2009). Mure praeguste umbrohutõrjemeetodite pärast rõhutab vajadust uuenduslike lahenduste järele, mille hulgas on paljulubav laser{18}}põhine umbrohutõrje (Tran et al., 2023).
Laser{0}}põhise umbrohutõrje valdkonnas on mitmesugused edusammud selle tehnoloogia arengut pidevalt edendanud. Heisel et al. (2001) alustasid laserkiirte kasutamist umbrohutüvede lõikamiseks umbrohutõrjeks. Hiljem Mathiassen et al. (2006) viisid läbi põhjaliku uuringu laserravi mõjude kohta umbrohu tõrjumisele, leides, et laseriga kokkupuude umbrohu apikaalsete meristeemidega vähendas oluliselt kasvu ja oli teatud umbrohuliikidele surmav. Nadimi jt. (2009) kavandas umbrohutõrje laserkatseseadme, et simuleerida umbrohtude dünaamilist sihtimist. Seejärel Marx et al. (2012) näitasid eksperimentaalselt, et tõhus umbrohutõrje nõuab meristeemide CNC (Computer Numerical Control) täppissihtimist, samas kui Ge et al. (2013) ja Xuelei et al. (2016) pakkusid kõik välja robotkäe kontseptsioonid laserumbrohutõrjeks. Arsa et al. (2023) tutvustas umbrohu kasvupunktide tuvastamiseks kodeerija{21}}dekoodri arhitektuuriga konvolutsioonilist närvivõrku, tõstes esile kasvupunktide tuvastamise olulisuse ja teostatavuse täpse lasersihtimise jaoks selles tehnoloogias. Üheskoos on need uuringud süstemaatiliselt täiustanud laser{24}}põhist umbrohutõrjetehnoloogiat erinevates mõõtmetes.
Viimastel aastatel on teadlased põldude umbrohutõrjeprobleemide lahendamiseks kasutanud sügavaid õppimismeetodeid umbrohu tuvastamiseks põllukultuuridel. Gao et al. (2020) töötasid välja meetodi, mis kasutab YOLOv3{6}}põhist sügavat konvolutsioonilist närvivõrku (CNN), et eristada suhkrupeedi umbrohtudest, samal ajal kui Jabir et al. (2021) rakendas nelja võrguarhitektuuri -Detectron 2, EfficientDet, YOLO ja Faster R-CNN-, et eristada orhideed konvolulusest, valides umbrohu tuvastamiseks sobivaima struktuuri. Chen et al. (2022) täiustasid YOLOv4 mudelit, lisades SE mooduli SPP loogikakihina ja lisades lokaliseeritud tähtsuse ühendamise, käsitledes sihtsuuruste erinevusi ja suurendades oluliselt umbrohu tuvastamise tõhusust ja täpsust seesamipõldudel. Visentin et al. (2023) demonstreerisid hübriidset autonoomset robotrobotit, mis saavutas intelligentse ja automatiseeritud umbrohutõrje. Shao et al. (2023) käsitlesid riisipõldude keerulisi probleeme-, nagu vee peegeldus, mulla taust, kattuv kasv ja mitmekesine valgustus,-pakkudes välja täiustatud süvaõppe mudeli GTCBS-YOLOv5s, et tuvastada kuut tüüpi umbrohtusid. Fan jt. (2023) lõi integreeritud umbrohu tuvastamise ja ohjamise mudeli, kasutades CBAM-moodulit, BiFPN-i struktuuri ja bilineaarset interpolatsiooni algoritmi. Xu et al. (2023) esitlesid uut lähenemisviisi, mis ühendab nähtavad värviindeksid koodide{34}}dekoodri arhitektuuril põhineva eksemplari segmenteerimismeetodiga, mis lahendab tõhusalt tihedalt istutatud sojakultuuride umbrohtude täpse tuvastamise ja segmenteerimise. Liao jt. (2024) pakkus välja uue Strip Convolutional Networki mudeli (SC-Net), mis saavutas kohandatud riisiseemnete ja avalike põllumajandusandmekogumite puhul miljoneid hindu 87,48% ja 89,00%, mis näitab suurt täpsust ja stabiilsust. Ronay et al. (2024) hindas SMA jõudlust umbrohu katvuse hindamisel erinevatel kasvuetappidel ning spektraalses ja ruumilises eraldusvõimes. Rai ja Sun (2024) töötasid välja üheastmelise süvaõppearhitektuuri, mis on võimeline UAV-ga omandatud kaugseirepiltidel umbrohtusid nii piirava kasti lokaliseerimiseks kui ka piksli{44}}tasemel eksemplari segmenteerimiseks.
Kokkuvõttes keskenduvad praegused uuringud peamiselt põllukultuuride eristamisele umbrohtudest. Laserumbrohutõrjel maasikapõldudel on aga lisaks umbrohtude tuvastamisele oluline tuvastada ka tilkniisutustorud ja lokaliseerida umbrohu kasvupunkti koordinaadid, et võimaldada täpseid umbrohutõrjeoperatsioone. Tilguti niisutustorude kasutamine põllul navigeerimiseks lisab ühele võrgumudelile funktsionaalsust, optimeerides arvutusressursse. Sellegipoolest seavad maasikataimede erineva suurusega, peenikesed veetorud ja keerulised tingimused, nagu maasika seemikute ja torude kattumine, aga ka tihedalt koondunud umbrohi, olulisi väljakutseid umbrohtude, maasikaseemikute, niisutustorude ja maasikapõllu kasvupunktide omaduste täpseks ekstraheerimiseks ja õppimiseks.
Ülaltoodud kontekstist lähtuvalt on selle uuringu eesmärk: (1) koostada andmestik, mis hõlmab maasikapõldude, tilkniisutustorude, umbrohtude ja umbrohu kasvupunktide erinevaid kasvutingimusi ja etappe; (2) pakkuge välja DIN-LW-YOLO mudel maasikapõldude, tilkniisutustorude, umbrohtude ja umbrohu kasvukohtade täpseks tuvastamiseks; (3) töötama välja DIN{5}}LW-YOLO mudelil põhinev juhtimissüsteem, et hallata reaalajas{7}}navigatsiooni ja lasersihtimist umbrohutõrjeroboti jaoks; ja (4) viia läbi põldkatseid, rakendades maasikapõldudel laserrobotit, et hinnata selle autonoomset laserumbrohutõrjet tegelikes põllutingimustes.
