طراحی و آزمایش ربات وجین لیزری مستقل برای مزارع توت فرنگی بر اساس DIN-LW-YOLO - اخبار صنعت

چکیده

علف های هرز در مزارع توت فرنگی به سرعت تکثیر می شوند، نهال های توت فرنگی را از مواد مغذی و نور محروم می کنند، دمای محیط محلی را افزایش می دهند، و به عنوان میزبان میانی برای آفات و بیماری ها عمل می کنند و باعث تسریع وقوع و گسترش آنها می شوند. برای پرداختن به موضوع کنترل علف های هرز در طول کشت نهال توت فرنگی، این مقاله یک ربات وجین لیزری مستقل برای مزارع توت فرنگی بر اساس DIN-LW-YOLO طراحی می کند. ابتدا، با ایجاد مجموعه‌های داده از مزارع توت فرنگی در محیط‌های مختلف، DIN-LW-YOLO را پیشنهاد می‌کنیم: یک روش تشخیص برای ناوبری لوله‌های آبیاری قطره‌ای و وجین لیزری، که می‌تواند نهال‌های توت فرنگی، علف‌های هرز، لوله‌های آبیاری قطره‌ای و{6} نقاط رشد علف‌های هرز را در زمان واقعی شناسایی کند. این مدل سرهای پیش‌بینی را روی نقشه‌های با وضوح بالا-پوزیشن YOLOv8-می‌سازد. یک ماژول توجه EMA قبل از سر پیش‌بینی و ماژول هرم فضایی تجمیع سریع (SPPF) اضافه می‌شود تا روابط زوجی{15}}سطح پیکسل را بگیرد. این رویکرد بهتر از اطلاعات دقیق از نقشه های ویژگی های کم عمق استفاده می کند و تشخیص اهداف کوچک را بهبود می بخشد. علاوه بر این، پیچش‌های تغییر شکل‌پذیر برای گرفتن تطبیقی ویژگی‌های هدف، جایگزین پیچیدگی دوم در ساختار تنگنای ماژول فیوژن ویژگی، و افزایش تشخیص اهداف لوله‌های آبیاری قطره‌ای دراز استفاده می‌شوند. سپس، DIN-LW{19}}YOLO در ربات وجین لیزری ادغام می‌شود. سیستم کنترل مسیر ناوبری را بر اساس عرض لوله آبیاری قطره‌ای برای کنترل بازخورد تعیین می‌کند و با بدست آوردن مختصات نقاط رشد علف‌های هرز نسبت به نهال‌های توت فرنگی و لوله‌های آبیاری قطره‌ای، هدف لیزری را موقعیت‌یابی می‌کند و به عملیات وجین لیزری مستقل دست می‌یابد. نتایج آزمایش نشان می‌دهد که مدل DIN{20}}LW{26}}YOLO عملکرد تشخیص قوی را روی داده‌های مزرعه توت فرنگی در محیط‌ها و مراحل مختلف رشد نشان می‌دهد. میانگین دقت مدل (mAP) در تشخیص هدف منطقه‌ای و نقطه‌ای به ترتیب 88.5% و 85.0% است که نسبت به مدل اصلی 1.9% و 2.6% بهبود یافته است و نیازهای عملیاتی بلادرنگ ربات وجین لیزری خودران را برآورده می‌کند. نتایج آزمایش مزرعه نشان می دهد که کنترل علف های هرز و میزان آسیب گیاهچه به ترتیب 92.6 و 1.2 درصد است که نیازهای زراعی برای وجین مکانیکی در مزارع توت فرنگی را برآورده می کند. این یافته ها به طراحی تجهیزات کشاورزی هوشمند کمک می کند و کاربرد بینایی ماشین را در حفاظت از محصول توت فرنگی ترویج می کند.

news-571-347

news-869-320

مقدمه

توت فرنگی گیاهان علفی چند ساله از خانواده Rosaceae هستند که معمولاً به صورت رویشی از طریق استولون ها تکثیر می شوند. گیاهان توت فرنگی با رشد کم-به شدت به علف های هرز اطراف هم در محیط های نهالستانی و مزرعه حساس هستند. علف های هرز قوی نه تنها برای مواد مغذی و نور رقابت می کنند و دمای محیط را افزایش می دهند، بلکه به عنوان میزبان میانی برای آفات و بیماری ها عمل می کنند و گسترش آنها را تسریع می کنند. در نتیجه کنترل علف های هرز به طور مستقیم بر عملکرد و کیفیت توت فرنگی تأثیر می گذارد. علف‌کش‌هایی که معمولاً قبل و بعد از ظهور به کار می‌روند تأثیر منفی بر عملکرد، محیط زیست و سلامت کارگران دارند (هوانگ و همکاران، 2018). رابیر و همکاران (2017) اشاره کرد که وجین‌های مکانیکی کمتر از علف‌کش‌ها مؤثر هستند، زیرا وجین‌های معمولی (مانند بیل‌ها، تیغه‌های چرخشی) نمی‌توانند به‌طور خاص علف‌های هرز درون ردیفی را هدف قرار دهند. علاوه بر این، آشفتگی خاک از خاک‌ورزی می‌تواند به ارگانیسم‌های مفید خاک، مانند کرم‌های خاکی آسیب برساند و منجر به فرسایش خاک و شستشوی مواد مغذی شود (چاترجی و لال، 2009). نگرانی‌های مربوط به روش‌های کنونی کنترل علف‌های هرز بر نیاز به راه‌حل‌های نوآورانه تأکید می‌کند، که در میان آنها کنترل علف‌های هرز مبتنی بر لیزر امیدوارکننده است (Tran et al., 2023).

در زمینه کنترل علف‌های هرز مبتنی بر لیزر-، پیشرفت‌های مختلف به‌طور پیوسته باعث پیشرفت این فناوری شده است. هایزل و همکاران (2001) پیشگام استفاده از پرتوهای لیزر برای بریدن ساقه علف های هرز برای کنترل علف های هرز بود. بعدها، ماتیاسن و همکاران. (2006) یک مطالعه عمیق در مورد اثرات لیزر درمانی بر سرکوب علف های هرز انجام داد و دریافت که قرار گرفتن در معرض لیزر با مریستم های آپیکال علف های هرز به طور قابل توجهی رشد را کاهش می دهد و برای گونه های علف های هرز خاص کشنده است. ندیمی و همکاران (2009) یک دستگاه آزمایش وجین لیزری برای شبیه سازی هدف گیری پویا علف های هرز طراحی کرد. متعاقباً، مارکس و همکاران. (2012) به طور تجربی نشان داد که کنترل موثر علف های هرز نیاز به هدف گیری دقیق مریستم ها با CNC (کنترل عددی کامپیوتری) دارد، در حالی که Ge و همکاران. (2013) و Xuelei و همکاران. (2016) هر کدام مفاهیم بازوی رباتیک را برای وجین لیزری پیشنهاد کردند. ارسا و همکاران (2023) یک شبکه عصبی کانولوشن با معماری رمزگشا{21} رمزگذار برای تشخیص نقاط رشد علف های هرز معرفی کرد، که اهمیت و امکان تشخیص نقطه رشد{22}}برای هدف گیری لیزری دقیق در این فناوری را برجسته می کند. با هم، این مطالعات به طور سیستماتیک فناوری کنترل علف‌های هرز مبتنی بر لیزر{24} را در ابعاد مختلف پیشرفته کرده‌اند.

در سال‌های اخیر، برای رسیدگی به چالش‌های وجین در مزرعه، محققان از تکنیک‌های یادگیری عمیق برای تشخیص علف‌های هرز در مزارع استفاده کرده‌اند. گائو و همکاران (2020) روشی را با استفاده از یک شبکه عصبی پیچیده مبتنی بر YOLOv3-(CNN) برای تشخیص چغندرقند از علف های هرز توسعه دادند، در حالی که جابر و همکاران. (2021) از چهار معماری شبکه-Detectron 2، EfficientDet، YOLO و Faster R-CNN{20}}برای تمایز ارکیده از convolvulus استفاده کرد و مناسب‌ترین ساختار را برای تشخیص علف‌های هرز انتخاب کرد. چن و همکاران (2022) مدل YOLOv4 را با گنجاندن ماژول SE به عنوان لایه منطقی در SPP و افزودن ادغام اهمیت موضعی، پرداختن به تنوع در اندازه های هدف و افزایش قابل توجهی کارایی و دقت تشخیص علف های هرز در مزارع کنجد، بهبود بخشید. ویسنتین و همکاران (2023) یک سیستم وجین وجین رباتیک مستقل هیبریدی را نشان داد که به وجین هوشمند و خودکار دست یافت. شائو و همکاران (2023) با پیشنهاد یک مدل یادگیری عمیق پیشرفته، GTCBS{30}}YOLOv5s، برای شناسایی شش نوع علف های هرز، به مسائل پیچیده در شالیزارها-مثل انعکاس آب، زمینه خاک، رشد همپوشانی، و نورهای متنوع{22}} پرداخت. فن و همکاران (2023) یک مدل تشخیص و مدیریت علف های هرز یکپارچه با استفاده از ماژول CBAM، ساختار BiFPN و الگوریتم درون یابی دوخطی ایجاد کرد. خو و همکاران (2023) رویکرد جدیدی را ارائه کرد که شاخص‌های رنگی قابل مشاهده را با یک روش تقسیم‌بندی نمونه مبتنی بر معماری رمزگشا{34} ترکیب می‌کند و به طور موثر با چالش تشخیص دقیق و تقسیم‌بندی علف‌های هرز در میان محصولات سویا با کاشت متراکم مقابله می‌کند. لیائو و همکاران (2024) یک مدل شبکه کانولوشنال نواری جدید (SC{42}}شبکه) پیشنهاد کرد که به امتیازات mIo 87.48 % و 89.00 % در نهال برنج سفارشی و مجموعه داده‌های کشاورزی عمومی دست یافت که دقت و پایداری بالایی را نشان داد. رونای و همکاران (2024) عملکرد SMA را در تخمین پوشش علف های هرز در مراحل مختلف رشد و همچنین در تفکیک طیفی و فضایی ارزیابی کرد. Rai و Sun (2024) یک معماری یادگیری عمیق تک مرحله‌ای را توسعه دادند که هم قادر بود هم بومی‌سازی جعبه‌های مرزی و هم پیکسل‌ها را{44}}قطع‌بندی سطح علف‌های هرز در تصاویر سنجش از راه دور بدست‌آمده از پهپاد انجام دهد.

به طور خلاصه، تحقیقات فعلی در درجه اول بر تمایز محصولات زراعی از علف های هرز متمرکز است. با این حال، برای وجین لیزری در مزارع توت فرنگی، نه تنها شناسایی علف های هرز، بلکه شناسایی لوله های آبیاری قطره ای و محلی سازی مختصات نقطه رشد علف های هرز برای فعال کردن عملیات وجین دقیق ضروری است. استفاده از لوله‌های آبیاری قطره‌ای برای ناوبری مزرعه، عملکرد را به یک مدل شبکه می‌افزاید و منابع محاسباتی را بهینه می‌کند. با این وجود، اندازه‌های مختلف بوته‌های توت‌فرنگی، لوله‌های آب باریک، و شرایط پیچیده، مانند همپوشانی بین نهال‌های توت فرنگی و لوله‌ها، و همچنین علف‌های هرز به‌طور متراکم، چالش‌های اساسی را برای استخراج دقیق و یادگیری ویژگی‌های علف‌های هرز، نهال‌های توت‌فرنگی در مزرعه‌های لوله‌کشی و آبیاری ایجاد می‌کنند.

بر اساس زمینه فوق، هدف این مطالعه ایجاد یک مجموعه داده است که شرایط و مراحل مختلف رشد را برای مزارع توت فرنگی، لوله های آبیاری قطره ای، علف های هرز و نقاط رشد علف های هرز را پوشش می دهد. (2) مدل DIN-LW-YOLO را برای تشخیص دقیق مزارع توت فرنگی، لوله های آبیاری قطره ای، علف های هرز و نقاط رشد علف های هرز پیشنهاد دهید. (3) یک سیستم کنترلی بر اساس مدل DIN-LW-YOLO برای مدیریت ناوبری-در زمان واقعی و هدف گیری لیزری برای ربات وجین کننده ایجاد کنید. و (4) انجام آزمایشات میدانی با استقرار ربات وجین لیزری در مزارع توت فرنگی برای ارزیابی عملکرد وجین لیزری مستقل آن در شرایط مزرعه واقعی.