Resum
Les males herbes dels camps de maduixes es reprodueixen ràpidament, privant les plàntules de maduixes de nutrients i llum, augmentant la temperatura ambiental local i servint d'hostes intermedis per a plagues i malalties, accelerant la seva aparició i propagació. Per abordar el problema del control de les males herbes durant el cultiu de plàntules de maduixes, aquest article dissenya un robot de desherbat làser autònom per a camps de maduixes basat en DIN-LW-YOLO. En primer lloc, mitjançant l'establiment de conjunts de dades de camps de maduixes en diversos entorns, proposem DIN-LW-YOLO: un mètode de detecció per a la navegació per canonades de reg per degoteig i desherbat per làser, que pot detectar plàntules de maduixes, males herbes, canonades de reg per degoteig i punts de creixement de males herbes en temps real-. El model construeix capçals de predicció en mapes de característiques d'alta-resolució de la posició YOLOv8-. S'afegeix un mòdul d'atenció EMA abans del capçal de predicció i el mòdul Spatial Pyramid Pooling Fast (SPPF) per capturar relacions de parelles a nivell-de píxels. Aquest enfocament utilitza millor la informació detallada dels mapes de característiques poc profunds, millorant la detecció de petits objectius. A més, s'utilitzen circumvolucions deformables per capturar de manera adaptativa les característiques de l'objectiu, substituint la segona convolució a l'estructura del coll d'ampolla del mòdul de fusió de característiques, millorant la detecció d'objectius de canonada de reg per degoteig allargats. A continuació, DIN-LW{-YOLO s'integra al robot de desherbat làser. El sistema de control determina el camí de navegació en funció de l'amplada de la canonada de reg per degoteig per al control de retroalimentació i posiciona l'objectiu làser obtenint les coordenades dels punts de creixement de males herbes en relació amb les plàntules de maduixa i les canonades de reg per degoteig, aconseguint operacions de desherbat làser autònomes. Els resultats de les proves mostren que el model DIN-LW{-YOLO demostra un fort rendiment de reconeixement de les dades del camp de maduixes en diferents entorns i etapes de creixement. La precisió mitjana (mAP) del model en la detecció d'objectius regionals i puntuals és del 88,5% i del 85,0%, respectivament, millorant un 1,9% i un 2,6% en comparació amb el model original, complint els requisits d'operació en temps real del robot de desherbat làser autònom. Els resultats de les proves de camp indiquen un control de males herbes i taxes de lesions de plàntules del 92,6% i 1,2%, respectivament, complint els requisits agronòmics per al desherbat mecànic als camps de maduixes. Les troballes contribueixen al disseny d'equips agrícoles intel·ligents i promouen l'aplicació de la visió artificial en la protecció dels cultius de maduixa.
Introducció
Les maduixes són plantes herbàcies perennes de la família de les rosàcies, que normalment es propaguen vegetativament mitjançant estolons. Les plantes de maduixa de baix-creixement són molt susceptibles a les males herbes que l'envolten tant en entorns de viver com de camp. Les males herbes vigoroses no només competeixen pels nutrients i la llum, augmentant la temperatura ambiental local, sinó que també serveixen com a hostes intermedis per a plagues i malalties, accelerant la seva propagació. En conseqüència, el control de males herbes afecta directament el rendiment i la qualitat de les maduixes. Els herbicides pre- i post-emergents que s'apliquen habitualment afecten negativament el rendiment, el medi ambient i la salut dels treballadors (Huang et al., 2018). Rabier et al. (2017) van assenyalar que les desherbadores mecàniques són menys efectives que els herbicides, ja que les desherbadores convencionals (p. ex., aixades, fulles rotatives) no poden orientar específicament les males herbes intra-. A més, la alteració del sòl a causa del conreu pot perjudicar els organismes beneficiosos del sòl, com els cucs de terra, i provocar l'erosió del sòl i la lixiviació de nutrients (Chatterjee i Lal, 2009). Les preocupacions sobre els mètodes actuals de control de males herbes subratllen la necessitat de solucions innovadores, entre les quals el control de males herbes basat en làser-és prometedor (Tran et al., 2023).
En el camp del control de males herbes basat en làser-, diversos avenços han impulsat constantment el desenvolupament de la tecnologia. Heisel et al. (2001) va ser pioner en l'ús de raigs làser per tallar tiges de males herbes per al control de males herbes. Més tard, Mathiassen et al. (2006) van realitzar un estudi-en profunditat dels efectes del tractament amb làser sobre la supressió de males herbes, trobant que l'exposició làser als meristemes apicals de les males herbes reduïa significativament el creixement i era fatal per a certes espècies de males herbes. Nadimi et al. (2009) van dissenyar un dispositiu de prova de desherbat làser per simular l'orientació dinàmica de les males herbes. Posteriorment, Marx et al. (2012) van demostrar experimentalment que el control eficaç de les males herbes requereix una orientació de precisió CNC (Computer Numerical Control) dels meristemes, mentre que Ge et al. (2013) i Xuelei et al. (2016) cadascun va proposar conceptes de braç robòtic per al desherbat amb làser. Arsa et al. (2023) van introduir una xarxa neuronal convolucional amb una arquitectura de codificador-descodificador per detectar punts de creixement de males herbes, destacant la importància i la viabilitat de la detecció de-punts de creixement per a una orientació làser precisa en aquesta tecnologia. En conjunt, aquests estudis han avançat sistemàticament la tecnologia de control de males herbes basada en làser-en diverses dimensions.
En els darrers anys, per abordar els reptes de desherbament del camp, els investigadors han emprat tècniques d'aprenentatge profund per a la detecció de males herbes als camps de cultiu. Gao et al. (2020) van desenvolupar un mètode mitjançant una xarxa neuronal convolucional profunda (CNN) basada en YOLOv3- per distingir la remolatxa sucrera de les males herbes, mentre que Jabir et al. (2021) van aplicar quatre arquitectures de xarxa-Detectron 2, EfficientDet, YOLO i Faster R-CNN-per diferenciar les orquídies dels convolvulus, seleccionant l'estructura més adequada per a la detecció de males herbes. Chen et al. (2022) van millorar el model YOLOv4 incorporant el mòdul SE com a capa lògica a SPP i afegint una agrupació d'importància localitzada, abordant la variació de les mides de l'objectiu i millorant significativament l'eficiència i la precisió del reconeixement de males herbes als camps de sèsam. Visentin et al. (2023) van demostrar un sistema de desherbat robòtic autònom híbrid que va aconseguir un desherbat intel·ligent i automatitzat. Shao et al. (2023) van abordar problemes complexos als arrossars-com ara la reflexió de l'aigua, el fons del sòl, el creixement superposat i la il·luminació diversa-proposant un model d'aprenentatge profund millorat, GTCBS-YOLOv5s, per identificar sis tipus de males herbes. Fan et al. (2023) van crear un model integrat de detecció i gestió de males herbes mitjançant el mòdul CBAM, l'estructura BiFPN i l'algorisme d'interpolació bilineal. Xu et al. (2023) van presentar un nou enfocament que combina índexs de color visibles amb un mètode de segmentació d'instàncies basat en una arquitectura de codificador-decodificador, abordant eficaçment el repte de detectar i segmentar amb precisió les males herbes entre cultius de soja densament plantats. Liao et al. (2024) van proposar un nou model Strip Convolutional Network (SC-Net), aconseguint puntuacions mIoU del 87,48% i 89,00% en plàntules d'arròs personalitzades i conjunts de dades agrícoles públiques, demostrant una gran precisió i estabilitat. Ronay et al. (2024) van avaluar el rendiment de SMA en l'estimació de la cobertura de males herbes en diferents etapes de creixement, així com en la resolució espectral i espacial. Rai i Sun (2024) van desenvolupar una arquitectura d'aprenentatge profund d'una-etapa capaç tant de localització de quadres delimitadors com de segmentació d'instàncies a nivell de píxels-de males herbes en imatges de teledetecció adquirides amb UAV.
En resum, la investigació actual se centra principalment a distingir els cultius de les males herbes. Tanmateix, per al desherbat làser als camps de maduixes, és essencial no només identificar les males herbes, sinó també detectar canonades de reg per degoteig i localitzar les coordenades del punt de creixement de les males herbes per permetre operacions precises de desherbat. L'ús de canonades de reg per degoteig per a la navegació al camp afegeix funcionalitat a un model de xarxa únic, optimitzant els recursos computacionals. No obstant això, les diferents mides de les plantes de maduixa, les canonades d'aigua esveltes i les condicions complexes, com ara la superposició entre les plàntules i les canonades de maduixa, així com les males herbes densament agrupades, presenten reptes substancials per extreure i aprendre amb precisió les característiques de les males herbes, les plàntules de maduixes, les canonades de reg i els punts de creixement de les males herbes de maduixa.
A partir del context anterior, aquest estudi pretén: (1) establir un conjunt de dades que cobreix diverses condicions i etapes de creixement per a camps de maduixes, canonades de reg per degoteig, males herbes i punts de creixement de males herbes; (2) proposar el model DIN-LW{-YOLO per detectar amb precisió camps de maduixes, canonades de reg per degoteig, males herbes i punts de creixement de males herbes; (3) desenvolupar un sistema de control basat en el model DIN-LW{-YOLO per gestionar la navegació-en temps real i l'orientació làser per al robot de desherbat; i (4) realitzar proves de camp mitjançant el desplegament del robot de desherbat làser en camps de maduixes per avaluar el seu rendiment autònom de desherbat amb làser en condicions reals de camp.
