Abstract
Onkruid in aardbeienvelden plant zich snel voort, waardoor aardbeienzaailingen beroofd worden van voedingsstoffen en licht, waardoor de lokale omgevingstemperatuur stijgt en als tussengastheer voor plagen en ziekten dient, waardoor het voorkomen en de verspreiding ervan wordt versneld. Om het probleem van onkruidbestrijding tijdens de teelt van aardbeienzaailingen aan te pakken, ontwerpt dit artikel een autonome laserwiedrobot voor aardbeienvelden op basis van DIN-LW-YOLO. Ten eerste stellen we, door datasets van aardbeienvelden in verschillende omgevingen samen te stellen, DIN-LW-YOLO voor: een detectiemethode voor navigatie door druppelirrigatiebuizen en laserwieden, waarmee aardbeienzaailingen, onkruid, druppelirrigatiebuizen en onkruidgroeipunten in realtime- kunnen worden gedetecteerd. Het model construeert voorspellingskoppen op kenmerkkaarten met hoge-resolutie van YOLOv8-pose. Er wordt een EMA-aandachtsmodule toegevoegd vóór de voorspellingskop en de Spatial Pyramid Pooling Fast (SPPF)-module om gepaarde relaties op pixel-niveau vast te leggen. Deze aanpak maakt beter gebruik van gedetailleerde informatie uit kaarten met ondiepe kenmerken, waardoor de detectie van kleine doelen wordt verbeterd. Bovendien worden vervormbare convoluties gebruikt om doelkenmerken adaptief vast te leggen, ter vervanging van de tweede convolutie in de knelpuntstructuur van de kenmerkfusiemodule, waardoor de detectie van langwerpige druppelirrigatiepijpdoelen wordt verbeterd. Vervolgens wordt DIN-LW-YOLO geïntegreerd in de laserwiedrobot. Het besturingssysteem bepaalt het navigatiepad op basis van de breedte van de druppelirrigatiepijp voor feedbackcontrole en positioneert het laserdoel door de coördinaten van onkruidgroeipunten te verkrijgen ten opzichte van aardbeizaailingen en druppelirrigatiepijpen, waardoor autonome laserwieden wordt bereikt. Uit testresultaten blijkt dat het DIN-LW-YOLO-model sterke herkenningsprestaties laat zien op aardbeienveldgegevens onder verschillende omgevingen en groeifasen. De gemiddelde nauwkeurigheid (mAP) van het model bij regionale en puntdoeldetectie bedraagt respectievelijk 88,5% en 85,0%, een verbetering met 1,9% en 2,6% vergeleken met het originele model, waarmee wordt voldaan aan de real-time werkingsvereisten van de autonome laserwiedrobot. Resultaten van veldtesten wijzen op onkruidbestrijding en zaailingschadepercentages van respectievelijk 92,6% en 1,2%, waarmee wordt voldaan aan de agronomische eisen voor mechanisch wieden in aardbeienvelden. De bevindingen dragen bij aan het ontwerp van intelligente landbouwapparatuur en bevorderen de toepassing van machine vision bij de gewasbescherming van aardbeien.
Invoering
Aardbeien zijn meerjarige kruidachtige planten van de Rosaceae-familie, die doorgaans vegetatief worden vermeerderd via stolonen. Laag-groeiende aardbeiplanten zijn zeer gevoelig voor omringend onkruid, zowel in de kwekerij als in het veld. Krachtig onkruid concurreert niet alleen om voedingsstoffen en licht, waardoor de lokale omgevingstemperatuur stijgt, maar dient ook als tussengastheer voor ziekten en plagen, waardoor de verspreiding ervan wordt versneld. Onkruidbestrijding heeft dus direct invloed op de opbrengst en kwaliteit van aardbeien. Veelgebruikte pre- en post-herbiciden hebben een negatieve invloed op de opbrengst, het milieu en de gezondheid van werknemers (Huang et al., 2018). Rabier et al. (2017) merkten op dat mechanische onkruidbestrijdingsmiddelen minder effectief zijn dan herbiciden, omdat conventionele onkruidbestrijdingsmiddelen (bijv. schoffels, roterende messen) zich niet specifiek kunnen richten op-rijonkruid. Bovendien kan bodemverstoring door grondbewerking schadelijke bodemorganismen, zoals regenwormen, schaden en leiden tot bodemerosie en uitspoeling van voedingsstoffen (Chatterjee & Lal, 2009). Zorgen over de huidige onkruidbestrijdingsmethoden onderstrepen de behoefte aan innovatieve oplossingen, waaronder op laser-gebaseerde onkruidbestrijding veelbelovend (Tran et al., 2023).
Op het gebied van laser-gebaseerde onkruidbestrijding hebben verschillende ontwikkelingen de ontwikkeling van de technologie gestaag gestimuleerd. Heisel et al. (2001) was een pionier in het gebruik van laserstralen om onkruidstelen af te snijden voor onkruidbestrijding. Later hebben Mathiassen et al. (2006) voerden een diepgaand-onderzoek uit naar de effecten van laserbehandeling op de onderdrukking van onkruid, waarbij werd vastgesteld dat laserblootstelling aan apicale meristemen van onkruid de groei aanzienlijk verminderde en fataal was voor bepaalde onkruidsoorten. Nadimi et al. (2009) ontwierpen een laserwiedtestapparaat om het dynamisch richten van onkruid te simuleren. Vervolgens hebben Marx et al. (2012) hebben experimenteel aangetoond dat effectieve onkruidbestrijding CNC (Computer Numerical Control) nauwkeurige targeting van meristemen vereist, terwijl Ge et al. (2013) en Xuelei et al. (2016) stelden elk robotarmconcepten voor laserwieden voor. Arsa et al. (2023) introduceerden een convolutioneel neuraal netwerk met een encoder{21}}decoderarchitectuur om groeipunten van onkruid te detecteren, waarbij de betekenis en haalbaarheid van groeipuntdetectie-voor nauwkeurige lasertargeting in deze technologie werd benadrukt. Samen hebben deze onderzoeken systematisch geavanceerde laser-gebaseerde onkruidbestrijdingstechnologie in verschillende dimensies opgeleverd.
Om uitdagingen op het gebied van wieden in het veld aan te pakken, hebben onderzoekers de afgelopen jaren diepgaande leertechnieken gebruikt voor de detectie van onkruid in akkers. Gao et al. (2020) ontwikkelden een methode met behulp van een op YOLOv3-gebaseerd diep convolutioneel neuraal netwerk (CNN) om suikerbieten van onkruid te onderscheiden, terwijl Jabir et al. (2021) hebben vier netwerkarchitecturen-Detectron 2, EfficientDet, YOLO en Faster R-CNN- toegepast om orchideeën te onderscheiden van convolvulus, waarbij de meest geschikte structuur voor onkruiddetectie werd geselecteerd. Chen et al. (2022) hebben het YOLOv4-model verbeterd door de SE-module op te nemen als de logische laag in SPP en gelokaliseerde belangrijkheidspooling toe te voegen, de variatie in doelgroottes aan te pakken en de efficiëntie en nauwkeurigheid van onkruidherkenning in sesamvelden aanzienlijk te verbeteren. Visentin et al. (2023) demonstreerden een hybride autonoom robotonkruidsysteem dat intelligent en geautomatiseerd wieden mogelijk maakte. Shao et al. (2023) heeft complexe problemen in rijstvelden aangepakt-zoals waterreflectie, bodemachtergrond, overlappende groei en diverse verlichting-door een verbeterd diepgaand leermodel voor te stellen, GTCBS-YOLOv5s, om zes soorten onkruid te identificeren. Fan et al. (2023) creëerden een geïntegreerd model voor onkruiddetectie en -beheer met behulp van de CBAM-module, de BiFPN-structuur en het bilineaire interpolatie-algoritme. Xu et al. (2023) presenteerden een nieuwe aanpak die zichtbare kleurindexen combineert met een instantiesegmentatiemethode op basis van een encoder-decoderarchitectuur, waarmee effectief de uitdaging wordt aangepakt van het nauwkeurig detecteren en segmenteren van onkruid tussen dichtbeplante sojabonengewassen. Liao et al. (2024) stelden een nieuw Strip Convolutional Network-model (SC-Net) voor, waarmee mioU-scores van 87,48% en 89,00% werden behaald op aangepaste rijstzaailingen en openbare landbouwdatasets, wat een hoge nauwkeurigheid en stabiliteit aantoont. Ronay et al. (2024) evalueerden de prestaties van SMA bij het schatten van de onkruiddekking in verschillende groeifasen, evenals bij de spectrale en ruimtelijke resolutie. Rai en Sun (2024) ontwikkelden een deep learning-architectuur in één-fase die in staat is tot zowel lokalisatie van de begrenzingsvakken als segmentatie van onkruid op pixelniveau-niveau in door UAV verkregen teledetectiebeelden.
Samenvattend richt het huidige onderzoek zich vooral op het onderscheiden van gewassen van onkruid. Voor laserwieden in aardbeienvelden is het echter essentieel om niet alleen onkruid te identificeren, maar ook om druppelirrigatiebuizen te detecteren en de coördinaten van de groeipunten van onkruid te lokaliseren om nauwkeurige wiedwerkzaamheden mogelijk te maken. Het gebruik van druppelirrigatiebuizen voor veldnavigatie voegt functionaliteit toe aan een enkel netwerkmodel, waardoor de computerbronnen worden geoptimaliseerd. Niettemin vormen de variërende afmetingen van aardbeiplanten, slanke waterleidingen en complexe omstandigheden, zoals overlapping tussen aardbeizaailingen en -pijpen, evenals dicht opeengepakt onkruid, aanzienlijke uitdagingen bij het nauwkeurig extraheren en leren van de kenmerken van onkruid, aardbeizaailingen, irrigatiebuizen en onkruidgroeipunten in aardbeienvelden.
Gebaseerd op de bovenstaande context heeft deze studie tot doel: (1) het opzetten van een dataset die verschillende groeiomstandigheden en -stadia omvat voor aardbeienvelden, druppelirrigatiebuizen, onkruid en onkruidgroeipunten; (2) het DIN{2}}LW-YOLO-model voorstellen om aardbeienvelden, druppelirrigatiebuizen, onkruid en onkruidgroeipunten nauwkeurig te detecteren; (3) een besturingssysteem ontwikkelen op basis van het DIN-LW-YOLO-model om real-time navigatie en lasertargeting voor de wiedrobot te beheren; en (4) veldproeven uitvoeren door de laserwiedrobot in aardbeienvelden in te zetten om de autonome laserwiedprestaties onder reële veldomstandigheden te evalueren.
