Design og test af en autonom laserlugningsrobot til jordbærmarker baseret på DIN-LW-YOLO

Jordbær er flerårige urteagtige planter af Rosaceae-familien, der typisk formeres vegetativt gennem stoloner. Lavt-voksende jordbærplanter er meget modtagelige for omgivende ukrudt i både planteskole- og markmiljøer. Kraftig ukrudt konkurrerer ikke kun om næringsstoffer og lys, hvilket øger den lokale miljøtemperatur, men tjener også som mellemvært for skadedyr og sygdomme og fremskynder deres spredning. Som følge heraf påvirker ukrudtsbekæmpelsen direkte udbyttet og kvaliteten af ​​jordbær. Almindeligt anvendte præ- og post-herbicider påvirker udbyttet, miljøet og arbejdernes sundhed negativt (Huang et al., 2018). Rabier et al. (2017) bemærkede, at mekaniske ukrudtsmidler er mindre effektive end ukrudtsmidler, da konventionelle ukrudtsmidler (f.eks. hakker, roterende klinger) ikke specifikt kan målrettes inden for rækkeukrudt. Derudover kan jordforstyrrelser fra jordbearbejdning skade gavnlige jordorganismer, såsom regnorme, og føre til jorderosion og udvaskning af næringsstoffer (Chatterjee & Lal, 2009). Bekymringer vedrørende nuværende ukrudtsbekæmpelsesmetoder understreger behovet for innovative løsninger, blandt hvilke laser-baseret ukrudtsbekæmpelse lover (Tran et al., 2023).

Inden for laser-baseret ukrudtsbekæmpelse har forskellige fremskridt støt fremskyndet teknologiens udvikling. Heisel et al. (2001) var pionerer i brugen af ​​laserstråler til at skære ukrudtsstængler til ukrudtsbekæmpelse. Senere har Mathiassen et al. (2006) gennemførte en-dybdegående undersøgelse af virkningerne af laserbehandling på ukrudtsbekæmpelse og fandt ud af, at lasereksponering for apikale meristem af ukrudt reducerede væksten betydeligt og var dødelig for visse ukrudtsarter. Nadimi et al. (2009) designet en laser-ukrudtstestanordning til at simulere dynamisk målretning af ukrudt. Efterfølgende har Marx et al. (2012) demonstrerede eksperimentelt, at effektiv ukrudtsbekæmpelse kræver CNC (Computer Numerical Control) præcisionsmålretning af meristemer, mens Ge et al. (2013) og Xuelei et al. (2016) hver foreslog robotarmskoncepter til laserlugning. Arsa et al. (2023) introducerede et foldet neuralt netværk med en koder-dekoderarkitektur til at detektere ukrudtsvækstpunkter, hvilket fremhæver betydningen og gennemførligheden af ​​vækst-punktdetektion for præcis lasermålretning i denne teknologi. Tilsammen har disse undersøgelser systematisk avanceret laser-baseret ukrudtsbekæmpelsesteknologi på tværs af forskellige dimensioner.

I de senere år har forskere brugt deep learning-teknikker til ukrudtsdetektering i afgrødemarker for at løse udfordringerne med ukrudt i marken. Gao et al. (2020) udviklede en metode, der anvender et YOLOv3-baseret dybt konvolutionelt neuralt netværk (CNN) til at skelne sukkerroer fra ukrudt, mens Jabir et al. (2021) anvendte fire netværksarkitekturer-Detectron 2, EfficientDet, YOLO og Faster R-CNN-for at differentiere orkideer fra convolvulus og vælge den bedst egnede struktur til ukrudtsdetektion. Chen et al. (2022) forbedrede YOLOv4-modellen ved at inkorporere SE-modulet som det logiske lag i SPP og tilføje lokaliseret betydningspooling, adressere variationen i målstørrelser og væsentligt forbedre effektiviteten og nøjagtigheden af ​​ukrudtsgenkendelse i sesammarker. Visentin et al. (2023) demonstrerede et hybridt, autonomt robotlugesystem, der opnåede intelligent og automatiseret lugning. Shao et al. (2023) behandlede komplekse problemer i rismarker-såsom vandreflektion, jordbaggrund, overlappende vækst og forskelligartet belysning-ved at foreslå en forbedret dyb læringsmodel, GTCBS-YOLOv5s, til at identificere seks typer ukrudt. Fan et al. (2023) skabte en integreret ukrudtsdetektions- og håndteringsmodel ved hjælp af CBAM-modulet, BiFPN-strukturen og bilineær interpolationsalgoritme. Xu et al. (2023) præsenterede en ny tilgang, der kombinerer synlige farveindekser med en instanssegmenteringsmetode baseret på en encoder-dekoderarkitektur, der effektivt tackler udfordringen med nøjagtigt at detektere og segmentere ukrudt blandt tæt plantede sojabønneafgrøder. Liao et al. (2024) foreslog en ny Strip Convolutional Network-model (SC-Net), der opnåede mIoU-score på 87,48 % og 89,00 % på tilpassede risfrøplanter og offentlige landbrugsdatasæt, hvilket viser høj nøjagtighed og stabilitet. Ronay et al. (2024) evaluerede SMA's præstationer i estimering af ukrudtsdækning på forskellige vækststadier samt i spektral og rumlig opløsning. Rai og Sun (2024) udviklede en enkelt-deep learning-arkitektur, der er i stand til både bounding box-lokalisering og pixel{44}}instanssegmentering af ukrudt i UAV-erhvervede fjernmålingsbilleder.

Sammenfattende fokuserer den nuværende forskning primært på at skelne afgrøder fra ukrudt. Til laserlugning i jordbærmarker er det dog vigtigt ikke kun at identificere ukrudt, men også at detektere drypvandingsrør og lokalisere ukrudtsvækstpunktkoordinater for at muliggøre præcise lugeoperationer. Brug af drypvandingsrør til marknavigation tilføjer funktionalitet til en enkelt netværksmodel, hvilket optimerer beregningsressourcer. Ikke desto mindre giver de varierende størrelser af jordbærplanter, slanke vandrør og komplekse forhold, såsom overlapning mellem jordbærfrøplanter og rør, såvel som tæt klyngede ukrudt, betydelige udfordringer med nøjagtigt at udvinde og lære karakteristika ved ukrudt, jordbærfrøplanter, kunstvandingsrør og jordbærmarkers vækstpunkter.

Baseret på ovenstående kontekst har denne undersøgelse til formål at: (1) etablere et datasæt, der dækker forskellige vækstbetingelser og stadier for jordbærmarker, drypvandingsrør, ukrudt og ukrudtsvækstpunkter; (2) foreslå DIN-LW-YOLO-modellen til nøjagtigt at detektere jordbærmarker, drypvandingsrør, ukrudt og ukrudtsvækstpunkter; (3) udvikle et kontrolsystem baseret på DIN-LW-YOLO-modellen til styring af-realtidsnavigation og lasermålretning for lugerobotten; og (4) udføre markforsøg ved at installere laserlugningsrobotten i jordbærmarker for at evaluere dens autonome laserlugningsydelse under virkelige markforhold.