Abstrak
Rumpai di ladang strawberi membiak dengan cepat, menghilangkan nutrien dan cahaya pada anak benih strawberi, meningkatkan suhu persekitaran setempat, dan berfungsi sebagai perumah perantara untuk perosak dan penyakit, mempercepatkan kejadian dan penyebarannya. Untuk menangani isu kawalan rumpai semasa penanaman anak benih strawberi, kertas kerja ini mereka bentuk robot merumput laser autonomi untuk ladang strawberi berdasarkan DIN-LW-YOLO. Mula-mula, dengan menubuhkan set data daripada ladang strawberi dalam pelbagai persekitaran, kami mencadangkan DIN-LW-YOLO: kaedah pengesanan untuk navigasi paip pengairan titisan dan penyiangan laser, yang boleh mengesan anak benih strawberi, rumpai, paip pengairan titisan dan titik pertumbuhan rumpai dalam masa nyata-. Model ini membina kepala ramalan pada-peta ciri resolusi tinggi pose YOLOv8-. Modul perhatian EMA ditambahkan sebelum kepala ramalan dan modul Spatial Pyramid Pooling Fast (SPPF) untuk menangkap{15}}perhubungan berpasangan tahap piksel. Pendekatan ini lebih baik menggunakan maklumat terperinci daripada peta ciri cetek, meningkatkan pengesanan sasaran kecil. Selain itu, lilitan boleh ubah bentuk digunakan untuk menangkap ciri sasaran secara adaptif, menggantikan lilitan kedua dalam struktur kesesakan modul gabungan ciri, mempertingkatkan pengesanan sasaran paip pengairan titisan yang memanjang. Seterusnya, DIN-LW-YOLO disepadukan ke dalam robot laser merumput. Sistem kawalan menentukan laluan navigasi berdasarkan lebar paip pengairan titisan untuk kawalan maklum balas dan meletakkan sasaran laser dengan mendapatkan koordinat titik pertumbuhan rumpai berbanding dengan anak benih strawberi dan paip pengairan titisan, mencapai operasi merumput laser autonomi. Keputusan ujian menunjukkan bahawa model DIN-LW-YOLO menunjukkan prestasi pengecaman yang kukuh pada data medan strawberi di bawah persekitaran dan peringkat pertumbuhan yang berbeza. Purata ketepatan (mAP) model dalam pengesanan sasaran serantau dan titik ialah 88.5% dan 85.0%, masing-masing, bertambah baik sebanyak 1.9% dan 2.6% berbanding model asal, memenuhi keperluan operasi masa nyata robot perumput laser autonomi. Keputusan ujian lapangan menunjukkan kawalan rumpai dan kadar kecederaan anak benih masing-masing 92.6% dan 1.2%, memenuhi keperluan agronomik untuk merumput mekanikal dalam ladang strawberi. Penemuan ini menyumbang kepada reka bentuk peralatan pertanian pintar dan menggalakkan aplikasi penglihatan mesin dalam perlindungan tanaman strawberi.
pengenalan
Strawberi ialah tumbuhan herba saka keluarga Rosaceae, biasanya dibiakkan secara vegetatif melalui stolon. Tumbuhan strawberi-yang tumbuh rendah sangat mudah terdedah kepada rumpai sekeliling dalam persekitaran tapak semaian dan ladang. Rumpai yang kuat bukan sahaja bersaing untuk nutrien dan cahaya, meningkatkan suhu persekitaran tempatan, tetapi juga berfungsi sebagai perumah perantara untuk perosak dan penyakit, mempercepatkan penyebarannya. Akibatnya, kawalan rumpai secara langsung menjejaskan hasil dan kualiti strawberi. Racun herba pra- dan selepas-yang biasa digunakan memberi kesan negatif kepada hasil, alam sekitar dan kesihatan pekerja (Huang et al., 2018). Rabier et al. (2017) menyatakan bahawa perumput mekanikal kurang berkesan berbanding racun herba, kerana perumput konvensional (cth, cangkul, bilah putar) tidak dapat menyasarkan rumpai intra{14}}secara khusus. Selain itu, gangguan tanah daripada pembajakan boleh membahayakan organisma tanah yang bermanfaat, seperti cacing tanah, dan membawa kepada hakisan tanah dan larut lesap nutrien (Chatterjee & Lal, 2009). Kebimbangan mengenai kaedah kawalan rumpai semasa menekankan keperluan untuk penyelesaian yang inovatif, antaranya kawalan rumpai berasaskan laser{18}}memang menjanjikan (Tran et al., 2023).
Dalam bidang kawalan rumpai-berasaskan laser, pelbagai kemajuan telah mendorong pembangunan teknologi secara berterusan. Heisel et al. (2001) mempelopori penggunaan pancaran laser untuk memotong batang rumpai untuk kawalan rumpai. Kemudian, Mathiassen et al. (2006) menjalankan-kajian mendalam tentang kesan rawatan laser terhadap penindasan rumpai, mendapati pendedahan laser kepada meristem apikal rumpai mengurangkan pertumbuhan dengan ketara dan membawa maut kepada spesies rumpai tertentu. Nadimi et al. (2009) mereka bentuk peranti ujian rumpai laser untuk mensimulasikan penyasaran dinamik rumpai. Selepas itu, Marx et al. (2012) menunjukkan secara eksperimen bahawa kawalan rumpai yang berkesan memerlukan penyasaran ketepatan CNC (Computer Numerical Control) bagi meristem, manakala Ge et al. (2013) dan Xuelei et al. (2016) masing-masing mencadangkan konsep lengan robot untuk merumput laser. Arsa et al. (2023) memperkenalkan rangkaian saraf konvolusi dengan seni bina penyahkod-pengekod untuk mengesan titik pertumbuhan rumpai, menyerlahkan kepentingan dan kebolehlaksanaan pengesanan titik pertumbuhan-untuk penyasaran laser yang tepat dalam teknologi ini. Bersama-sama, kajian ini telah memajukan teknologi kawalan rumpai berasaskan laser{24}}merentasi pelbagai dimensi secara sistematik.
Dalam beberapa tahun kebelakangan ini, untuk menangani cabaran merumput ladang, penyelidik telah menggunakan teknik pembelajaran mendalam untuk pengesanan rumpai di ladang tanaman. Gao et al. (2020) membangunkan kaedah menggunakan rangkaian saraf konvolusi dalam (CNN) berasaskan YOLOv3-untuk membezakan bit gula daripada rumpai, manakala Jabir et al. (2021) menggunakan empat seni bina rangkaian-Detectron 2, EfficientDet, YOLO dan Faster R-CNN-untuk membezakan orkid daripada convolvulus, memilih struktur yang paling sesuai untuk pengesanan rumpai. Chen et al. (2022) menambah baik model YOLOv4 dengan memasukkan modul SE sebagai lapisan logik dalam SPP dan menambah pengumpulan kepentingan setempat, menangani variasi dalam saiz sasaran dan meningkatkan kecekapan dan ketepatan pengecaman rumpai dengan ketara dalam medan bijan. Visentin et al. (2023) menunjukkan sistem rumpai robot autonomi hibrid yang mencapai rumpai pintar dan automatik. Shao et al. (2023) menangani isu kompleks dalam sawah padi-seperti pantulan air, latar belakang tanah, pertumbuhan bertindih dan pencahayaan pelbagai-dengan mencadangkan model pembelajaran mendalam yang dipertingkatkan, GTCBS-YOLOv5s, untuk mengenal pasti enam jenis rumpai. Fan et al. (2023) mencipta model pengesanan dan pengurusan rumpai bersepadu menggunakan modul CBAM, struktur BiFPN dan algoritma interpolasi dwilinear. Xu et al. (2023) mempersembahkan pendekatan baharu yang menggabungkan indeks warna yang boleh dilihat dengan kaedah pembahagian contoh berdasarkan seni bina penyahkod-pengekod, menangani cabaran mengesan dan membahagikan rumpai dengan tepat dalam kalangan tanaman kacang soya yang ditanam padat dengan berkesan. Liao et al. (2024) mencadangkan model Rangkaian Konvolusi Strip (SC-}Net) baharu, yang mencapai skor mIoU sebanyak 87.48 % dan 89.00 % pada anak benih padi tersuai dan set data pertanian awam, menunjukkan ketepatan dan kestabilan yang tinggi. Ronay et al. (2024) menilai prestasi SMA dalam menganggarkan liputan rumpai pada peringkat pertumbuhan yang berbeza serta dalam resolusi spektrum dan spatial. Rai dan Sun (2024) membangunkan seni bina pembelajaran mendalam-peringkat tunggal yang mampu menyetempatkan kotak sempadan dan{44}}pembahagian contoh peringkat piksel bagi rumpai dalam imej penderiaan jauh yang diperoleh UAV.
Ringkasnya, penyelidikan semasa tertumpu terutamanya pada membezakan tanaman daripada rumpai. Walau bagaimanapun, untuk merumput laser dalam ladang strawberi, adalah penting bukan sahaja untuk mengenal pasti rumpai tetapi juga untuk mengesan paip pengairan titisan dan menyetempatkan koordinat titik pertumbuhan rumpai untuk membolehkan operasi merumput yang tepat. Menggunakan paip pengairan titisan untuk navigasi medan menambah fungsi pada model rangkaian tunggal, mengoptimumkan sumber pengiraan. Namun begitu, saiz tumbuhan strawberi yang berbeza-beza, paip air yang langsing dan keadaan yang kompleks, seperti pertindihan antara anak benih strawberi dan paip, serta rumpai berkelompok padat, memberikan cabaran yang besar untuk mengekstrak dan mempelajari ciri rumpai, anak benih strawberi, paip pengairan dan titik pertumbuhan rumpai dengan tepat dalam ladang strawberi.
Berdasarkan konteks di atas, kajian ini bertujuan untuk: (1) mewujudkan set data yang meliputi pelbagai keadaan dan peringkat pertumbuhan untuk ladang strawberi, paip pengairan titisan, rumpai, dan titik pertumbuhan rumpai; (2) cadangkan model DIN-LW-YOLO untuk mengesan ladang strawberi, paip pengairan titisan, rumpai dan titik pertumbuhan rumpai dengan tepat; (3) membangunkan sistem kawalan berdasarkan model DIN-LW-YOLO untuk mengurus navigasi masa-sebenar dan penyasaran laser untuk robot merumput; dan (4) menjalankan ujian lapangan dengan menggunakan robot merumput laser di ladang strawberi untuk menilai prestasi merumput laser autonominya di bawah keadaan lapangan sebenar.
