Abstrakt
Unkräuter auf Erdbeerfeldern vermehren sich schnell, entziehen Erdbeersämlingen Nährstoffe und Licht, erhöhen die lokale Umgebungstemperatur und dienen als Zwischenwirte für Schädlinge und Krankheiten, was deren Auftreten und Ausbreitung beschleunigt. Um das Problem der Unkrautbekämpfung beim Anbau von Erdbeersämlingen anzugehen, entwirft dieser Artikel einen autonomen Laser-Jätungsroboter für Erdbeerfelder auf Basis von DIN-LW-YOLO. Erstens schlagen wir durch die Erstellung von Datensätzen von Erdbeerfeldern in verschiedenen Umgebungen DIN-LW-YOLO vor: eine Erkennungsmethode für die Navigation von Tropfbewässerungsrohren und Laser-Unkrautbekämpfung, die Erdbeersämlinge, Unkraut, Tropfbewässerungsrohre und Unkrautwachstumspunkte in Echtzeit erkennen kann. Das Modell erstellt Vorhersageköpfe auf hochauflösenden Feature-Maps der YOLOv8-Pose. Vor dem Vorhersagekopf und dem SPPF-Modul (Spatial Pyramid Pooling Fast) wird ein EMA-Aufmerksamkeitsmodul hinzugefügt, um gepaarte Beziehungen auf Pixelebene zu erfassen. Dieser Ansatz nutzt detaillierte Informationen aus flachen Feature-Maps besser und verbessert so die Erkennung kleiner Ziele. Darüber hinaus werden verformbare Faltungen verwendet, um Zielmerkmale adaptiv zu erfassen. Sie ersetzen die zweite Faltung in der Engpassstruktur des Feature-Fusion-Moduls und verbessern so die Erkennung von Zielen mit länglichen Tropfbewässerungsrohren. Als nächstes wird DIN-LW-YOLO in den Laser-Unkrautentfernungsroboter integriert. Das Steuerungssystem bestimmt den Navigationspfad basierend auf der Breite des Tropfbewässerungsrohrs zur Feedback-Steuerung und positioniert das Laserziel, indem es die Koordinaten der Unkrautwachstumspunkte relativ zu Erdbeersämlingen und Tropfbewässerungsrohren erhält, wodurch autonome Laser-Jätungsvorgänge erreicht werden. Testergebnisse zeigen, dass das DIN-LW-YOLO-Modell eine starke Erkennungsleistung für Erdbeerfelddaten in verschiedenen Umgebungen und Wachstumsstadien zeigt. Die durchschnittliche Genauigkeit (mAP) des Modells bei der regionalen und punktuellen Zielerkennung beträgt 88,5 % bzw. 85,0 %, was einer Verbesserung um 1,9 % bzw. 2,6 % im Vergleich zum Originalmodell entspricht und die Echtzeitbetriebsanforderungen des autonomen Laser-Unkrautbekämpfungsroboters erfüllt. Feldtestergebnisse zeigen eine Unkrautbekämpfungs- und Sämlingsverletzungsrate von 92,6 % bzw. 1,2 %, was den agronomischen Anforderungen für die mechanische Unkrautbekämpfung auf Erdbeerfeldern entspricht. Die Erkenntnisse tragen zur Entwicklung intelligenter landwirtschaftlicher Geräte bei und fördern den Einsatz maschineller Bildverarbeitung im Erdbeerpflanzenschutz.
Einführung
Erdbeeren sind mehrjährige krautige Pflanzen aus der Familie der Rosaceae, die typischerweise vegetativ durch Ausläufer vermehrt werden. Niedrig-wachsende Erdbeerpflanzen sind sowohl in der Baumschule als auch auf dem Feld sehr anfällig für umliegendes Unkraut. Wüchsige Unkräuter konkurrieren nicht nur um Nährstoffe und Licht und erhöhen so die lokale Umgebungstemperatur, sondern dienen auch als Zwischenwirte für Schädlinge und Krankheiten und beschleunigen deren Ausbreitung. Folglich wirkt sich die Unkrautbekämpfung direkt auf den Ertrag und die Qualität von Erdbeeren aus. Häufig eingesetzte Herbizide vor und nach dem Pflanzenaufgang wirken sich negativ auf den Ertrag, die Umwelt und die Gesundheit der Arbeiter aus (Huang et al., 2018). Rabier et al. (2017) stellten fest, dass mechanische Unkrautjäter weniger wirksam sind als Herbizide, da herkömmliche Unkrautjäter (z. B. Hacken, rotierende Messer) nicht gezielt Unkräuter innerhalb der Reihe bekämpfen können. Darüber hinaus können Bodenstörungen durch die Bodenbearbeitung nützliche Bodenorganismen wie Regenwürmer schädigen und zu Bodenerosion und Nährstoffauswaschung führen (Chatterjee & Lal, 2009). Bedenken hinsichtlich aktueller Unkrautbekämpfungsmethoden unterstreichen den Bedarf an innovativen Lösungen, unter denen laserbasierte Unkrautbekämpfung vielversprechend ist (Tran et al., 2023).
Im Bereich der laserbasierten Unkrautbekämpfung haben verschiedene Fortschritte die Entwicklung der Technologie stetig vorangetrieben. Heisel et al. (2001) leistete Pionierarbeit bei der Verwendung von Laserstrahlen zum Schneiden von Unkrautstängeln zur Unkrautbekämpfung. Später stellten Mathiassen et al. (2006) führten eine eingehende Studie über die Auswirkungen der Laserbehandlung auf die Unkrautunterdrückung durch und stellten fest, dass die Lasereinwirkung auf die apikalen Meristeme von Unkraut das Wachstum deutlich reduzierte und für bestimmte Unkrautarten tödlich war. Nadimi et al. (2009) entwickelten ein Laser-Unkrauttestgerät, um die dynamische Unkrautbekämpfung zu simulieren. Anschließend haben Marx et al. (2012) zeigten experimentell, dass eine wirksame Unkrautbekämpfung eine CNC-Präzisionsausrichtung (Computer Numerical Control) auf Meristeme erfordert, während Ge et al. (2013) und Xuelei et al. (2016) schlugen jeweils Roboterarmkonzepte für die Laser-Unkrautbekämpfung vor. Arsa et al. (2023) stellten ein Faltungs-Neuronales Netzwerk mit einer Encoder-Decoder-Architektur zur Erkennung von Unkrautwachstumspunkten vor und betonten die Bedeutung und Machbarkeit der Wachstumspunkterkennung für die präzise Laserzielerfassung in dieser Technologie. Zusammengenommen haben diese Studien die laserbasierte Unkrautbekämpfungstechnologie in verschiedenen Dimensionen systematisch weiterentwickelt.
Um die Herausforderungen bei der Unkrautbekämpfung auf Feldern anzugehen, haben Forscher in den letzten Jahren Deep-Learning-Techniken zur Unkrauterkennung auf Kulturfeldern eingesetzt. Gao et al. (2020) entwickelten eine Methode, die ein auf YOLOv3- basierendes Deep Convolutional Neural Network (CNN) verwendet, um Zuckerrüben von Unkräutern zu unterscheiden, während Jabir et al. (2021) wandte vier Netzwerkarchitekturen-Detectron 2, EfficientDet, YOLO und Faster R-CNN- an, um Orchideen von Convolvulus zu unterscheiden und wählte die am besten geeignete Struktur für die Unkrauterkennung aus. Chen et al. (2022) verbesserten das YOLOv4-Modell durch die Integration des SE-Moduls als Logikschicht in SPP und die Hinzufügung eines lokalisierten Wichtigkeitspoolings, um die Variation der Zielgrößen zu berücksichtigen und die Effizienz und Genauigkeit der Unkrauterkennung in Sesamfeldern erheblich zu verbessern. Visentin et al. (2023) demonstrierten ein hybrides autonomes Roboter-Jätsystem, das eine intelligente und automatisierte Unkrautbekämpfung ermöglichte. Shao et al. (2023) befassten sich mit komplexen Problemen in Reisfeldern-wie Wasserreflexion, Bodenhintergrund, überlappendes Wachstum und unterschiedliche Beleuchtung-, indem sie ein erweitertes Deep-Learning-Modell, GTCBS-YOLOv5s, vorschlugen, um sechs Arten von Unkräutern zu identifizieren. Fan et al. (2023) erstellten ein integriertes Unkrauterkennungs- und -managementmodell unter Verwendung des CBAM-Moduls, der BiFPN-Struktur und des bilinearen Interpolationsalgorithmus. Xu et al. (2023) stellten einen neuen Ansatz vor, der sichtbare Farbindizes mit einer Instanzsegmentierungsmethode basierend auf einer Encoder--Decoder-Architektur kombiniert und so die Herausforderung der genauen Erkennung und Segmentierung von Unkräutern in dicht gepflanzten Sojabohnen effektiv bewältigt. Liao et al. (2024) schlugen ein neues Strip Convolutional Network-Modell (SC-Net) vor, das mIoU-Werte von 87,48 % und 89,00 % für benutzerdefinierte Reissetzlings- und öffentliche Agrardatensätze erreichte und eine hohe Genauigkeit und Stabilität demonstrierte. Ronay et al. (2024) bewerteten die Leistung von SMA bei der Schätzung der Unkrautbedeckung in verschiedenen Wachstumsstadien sowie bei der spektralen und räumlichen Auflösung. Rai und Sun (2024) entwickelten eine einstufige Deep-Learning-Architektur, die sowohl die Bounding-Box-Lokalisierung als auch die Instanzsegmentierung von Unkräutern auf Pixelebene in UAV-erfassten Fernerkundungsbildern ermöglicht.
Zusammenfassend konzentriert sich die aktuelle Forschung vor allem auf die Unterscheidung von Nutzpflanzen und Unkräutern. Für die Laser-Jätung auf Erdbeerfeldern ist es jedoch nicht nur wichtig, Unkräuter zu identifizieren, sondern auch Tropfbewässerungsrohre zu erkennen und die Koordinaten der Unkrautwachstumspunkte zu lokalisieren, um präzise Jätarbeiten zu ermöglichen. Die Verwendung von Tropfbewässerungsrohren für die Feldnavigation erweitert ein einzelnes Netzwerkmodell um Funktionalität und optimiert so die Rechenressourcen. Dennoch stellen die unterschiedlichen Größen von Erdbeerpflanzen, die schlanken Wasserleitungen und die komplexen Bedingungen, wie z. B. Überlappungen zwischen Erdbeersämlingen und -rohren sowie dicht gebündeltes Unkraut, erhebliche Herausforderungen für die genaue Extraktion und das Erlernen der Merkmale von Unkräutern, Erdbeersämlingen, Bewässerungsrohren und Unkrautwachstumspunkten in Erdbeerfeldern dar.
Basierend auf dem oben genannten Kontext zielt diese Studie darauf ab, (1) einen Datensatz zu erstellen, der verschiedene Wachstumsbedingungen und -stadien für Erdbeerfelder, Tropfbewässerungsrohre, Unkräuter und Unkrautwachstumspunkte abdeckt; (2) das DIN-LW-YOLO-Modell vorschlagen, um Erdbeerfelder, Tropfbewässerungsrohre, Unkraut und Unkrautwachstumspunkte genau zu erkennen; (3) ein Steuerungssystem entwickeln, das auf dem DIN-LW-YOLO-Modell basiert, um Echtzeitnavigation und Laserzielerfassung für den Jätroboter zu verwalten; und (4) Durchführung von Feldversuchen durch den Einsatz des Laser-Jätungsroboters auf Erdbeerfeldern, um seine autonome Laser-Jätungsleistung unter realen Feldbedingungen zu bewerten.
