Astratto
Le erbacce nei campi di fragole si riproducono rapidamente, privando le piantine di fragole di nutrienti e luce, aumentando la temperatura ambientale locale e fungendo da ospiti intermedi per parassiti e malattie, accelerandone la comparsa e la diffusione. Per affrontare il problema del controllo delle infestanti durante la coltivazione delle piantine di fragole, questo articolo progetta un robot diserbo laser autonomo per campi di fragole basato su DIN-LW-YOLO. Innanzitutto, stabilendo set di dati provenienti da campi di fragole in vari ambienti, proponiamo DIN-LW-YOLO: un metodo di rilevamento per la navigazione dei tubi di irrigazione a goccia e il diserbo laser, in grado di rilevare piantine di fragole, erbacce, tubi di irrigazione a goccia e punti di crescita delle erbe infestanti in tempo reale-. Il modello costruisce teste di previsione su mappe di caratteristiche ad alta-risoluzione della posa YOLOv8-. Un modulo di attenzione EMA viene aggiunto prima della testa di previsione e del modulo Spatial Pyramid Pooling Fast (SPPF) per acquisire le relazioni accoppiate a livello di pixel-. Questo approccio utilizza meglio le informazioni dettagliate provenienti da mappe di caratteristiche poco profonde, migliorando il rilevamento di piccoli bersagli. Inoltre, vengono utilizzate convoluzioni deformabili per acquisire in modo adattivo le caratteristiche del target, sostituendo la seconda convoluzione nella struttura del collo di bottiglia del modulo di fusione delle caratteristiche, migliorando il rilevamento dei target allungati dei tubi di irrigazione a goccia. Successivamente, DIN-LW-YOLO viene integrato nel robot diserbo laser. Il sistema di controllo determina il percorso di navigazione in base alla larghezza del tubo di irrigazione a goccia per il controllo del feedback e posiziona il bersaglio laser ottenendo le coordinate dei punti di crescita delle infestanti relativi alle piantine di fragole e ai tubi di irrigazione a goccia, realizzando operazioni di diserbo laser autonome. I risultati dei test mostrano che il modello DIN-LW-YOLO dimostra ottime prestazioni di riconoscimento sui dati dei campi di fragole in diversi ambienti e fasi di crescita. La precisione media del modello (mAP) nel rilevamento dei bersagli regionali e puntuali è rispettivamente dell'88,5% e dell'85,0%, con un miglioramento dell'1,9% e del 2,6% rispetto al modello originale, soddisfacendo i requisiti operativi in tempo reale del robot autonomo di diserbo laser. I risultati dei test sul campo indicano tassi di controllo delle infestanti e di lesioni alle piantine rispettivamente del 92,6% e dell’1,2%, soddisfacendo i requisiti agronomici per il diserbo meccanico nei campi di fragole. I risultati contribuiscono alla progettazione di attrezzature agricole intelligenti e promuovono l’applicazione della visione artificiale nella protezione delle colture di fragole.
Introduzione
Le fragole sono piante erbacee perenni della famiglia delle Rosaceae, tipicamente propagate vegetativamente tramite stoloni. Le piante di fragole a crescita bassa-sono altamente sensibili alle erbacce circostanti sia in vivaio che in campo. Le erbe infestanti non solo competono per nutrienti e luce, aumentando la temperatura ambientale locale, ma fungono anche da ospiti intermedi per parassiti e malattie, accelerandone la diffusione. Di conseguenza, il controllo delle infestanti influisce direttamente sulla resa e sulla qualità delle fragole. Gli erbicidi pre- e post-emergenti comunemente applicati hanno un impatto negativo sulla resa, sull'ambiente e sulla salute dei lavoratori (Huang et al., 2018). Rabier et al. (2017) hanno notato che i diserbatori meccanici sono meno efficaci degli erbicidi, poiché i diserbatori convenzionali (ad esempio, zappe, lame rotanti) non possono colpire specificamente le infestanti intrafilari. Inoltre, il disturbo del suolo derivante dalla lavorazione del terreno può danneggiare gli organismi benefici del suolo, come i lombrichi, e portare all’erosione del suolo e alla lisciviazione dei nutrienti (Chatterjee & Lal, 2009). Le preoccupazioni relative agli attuali metodi di controllo delle infestanti sottolineano la necessità di soluzioni innovative, tra cui il controllo delle infestanti basato sul laser-è promettente (Tran et al., 2023).
Nel campo del controllo delle infestanti basato sul laser-, vari progressi hanno costantemente dato impulso allo sviluppo della tecnologia. Heisel et al. (2001) hanno aperto la strada all'uso di raggi laser per tagliare gli steli delle erbe infestanti per il controllo delle infestanti. Successivamente, Mathiassen et al. (2006) hanno condotto uno studio approfondito-degli effetti del trattamento laser sulla soppressione delle infestanti, scoprendo che l'esposizione laser ai meristemi apicali delle infestanti riduceva significativamente la crescita ed era fatale per alcune specie di infestanti. Nadimi et al. (2009) hanno progettato un dispositivo di test di diserbo laser per simulare il targeting dinamico delle infestanti. Successivamente, Marx et al. (2012) hanno dimostrato sperimentalmente che un controllo efficace delle infestanti richiede un targeting di precisione dei meristemi tramite CNC (controllo numerico computerizzato), mentre Ge et al. (2013) e Xuelei et al. (2016) hanno proposto ciascuno concetti di braccio robotico per il diserbo laser. Arsa et al. (2023) hanno introdotto una rete neurale convoluzionale con un'architettura codificatrice-decodificatore per rilevare i punti di crescita delle erbe infestanti, evidenziando l'importanza e la fattibilità del rilevamento dei punti di crescita-per un puntamento laser preciso in questa tecnologia. Insieme, questi studi hanno fatto avanzare sistematicamente la tecnologia di controllo delle infestanti basata sul laser-in varie dimensioni.
Negli ultimi anni, per affrontare le sfide del diserbo sul campo, i ricercatori hanno utilizzato tecniche di deep learning per il rilevamento delle erbe infestanti nei campi coltivati. Gao et al. (2020) hanno sviluppato un metodo utilizzando una rete neurale convoluzionale profonda (CNN) basata su YOLOv3- per distinguere la barbabietola da zucchero dalle erbacce, mentre Jabir et al. (2021) hanno applicato quattro architetture di rete-Detectron 2, EfficientDet, YOLO e Faster R-CNN-per differenziare le orchidee dal convolvolo, selezionando la struttura più adatta per il rilevamento delle erbe infestanti. Chen et al. (2022) hanno migliorato il modello YOLOv4 incorporando il modulo SE come livello logico in SPP e aggiungendo pool di importanza localizzata, affrontando la variazione delle dimensioni target e migliorando significativamente l'efficienza e l'accuratezza del riconoscimento delle infestanti nei campi di sesamo. Visentin et al. (2023) hanno dimostrato un sistema ibrido autonomo di diserbo robotizzato che ha ottenuto un diserbo intelligente e automatizzato. Shao et al. (2023) hanno affrontato questioni complesse nelle risaie-come il riflesso dell'acqua, lo sfondo del suolo, la crescita sovrapposta e l'illuminazione diversificata-proponendo un modello di deep learning avanzato, GTCBS-YOLOv5s, per identificare sei tipi di erbe infestanti. Fan et al. (2023) hanno creato un modello integrato di rilevamento e gestione delle infestanti utilizzando il modulo CBAM, la struttura BiFPN e l'algoritmo di interpolazione bilineare. Xu et al. (2023) hanno presentato un nuovo approccio che combina indici di colore visibili con un metodo di segmentazione delle istanze basato su un'architettura codificatrice-decodificatore, affrontando efficacemente la sfida di rilevare e segmentare accuratamente le erbe infestanti tra le colture di soia densamente piantate. Liao et al. (2024) hanno proposto un nuovo modello di rete convoluzionale a strisce (SC-Net), ottenendo punteggi mIoU dell'87,48% e dell'89,00% su piantine di riso personalizzate e set di dati agricoli pubblici, dimostrando elevata precisione e stabilità. Ronay et al. (2024) hanno valutato le prestazioni della SMA nella stima della copertura delle infestanti in diversi stadi di crescita, nonché nella risoluzione spettrale e spaziale. Rai e Sun (2024) hanno sviluppato un'architettura di deep learning a fase singola-in grado sia di localizzare il riquadro di delimitazione che di segmentare l'istanza a livello di pixel-delle erbe infestanti nelle immagini di telerilevamento acquisite da UAV.
In sintesi, la ricerca attuale si concentra principalmente sulla distinzione delle colture dalle erbe infestanti. Tuttavia, per il diserbo laser nei campi di fragole, è essenziale non solo identificare le infestanti ma anche rilevare i tubi di irrigazione a goccia e localizzare le coordinate del punto di crescita delle infestanti per consentire operazioni di diserbo precise. L’utilizzo di tubi di irrigazione a goccia per la navigazione sul campo aggiunge funzionalità a un unico modello di rete, ottimizzando le risorse computazionali. Tuttavia, le diverse dimensioni delle piante di fragole, i sottili tubi dell’acqua e le condizioni complesse, come la sovrapposizione tra piantine di fragole e tubi, nonché le erbacce densamente raggruppate, presentano sfide sostanziali per l’estrazione e l’apprendimento accurato delle caratteristiche delle erbacce, delle piantine di fragole, dei tubi di irrigazione e dei punti di crescita delle erbe infestanti nei campi di fragole.
Sulla base del contesto di cui sopra, questo studio mira a: (1) stabilire un set di dati che copra varie condizioni e fasi di crescita per campi di fragole, tubi di irrigazione a goccia, erbe infestanti e punti di crescita delle erbe infestanti; (2) proporre il modello DIN-LW-YOLO per rilevare con precisione campi di fragole, tubi di irrigazione a goccia, erbacce e punti di crescita delle erbe infestanti; (3) sviluppare un sistema di controllo basato sul modello DIN-LW-YOLO per gestire la navigazione in tempo reale-e il puntamento laser per il robot diserbo; e (4) condurre prove sul campo distribuendo il robot diserbo laser nei campi di fragole per valutare le sue prestazioni di diserbo laser autonomo in condizioni di campo reali.
