เชิงนามธรรม
วัชพืชในไร่สตรอเบอร์รี่แพร่พันธุ์อย่างรวดเร็ว ทำให้ต้นกล้าสตรอเบอร์รี่ขาดสารอาหารและแสงสว่าง อุณหภูมิสิ่งแวดล้อมในท้องถิ่นเพิ่มขึ้น และทำหน้าที่เป็นสื่อกลางสำหรับศัตรูพืชและโรค เร่งการเกิดและการแพร่กระจายของพวกมัน เพื่อแก้ไขปัญหาการควบคุมวัชพืชในระหว่างการปลูกต้นกล้าสตรอเบอร์รี่ บทความนี้ได้ออกแบบหุ่นยนต์กำจัดวัชพืชด้วยเลเซอร์อัตโนมัติสำหรับไร่สตรอเบอร์รี่ตามมาตรฐาน DIN-LW-YOLO ขั้นแรก ด้วยการสร้างชุดข้อมูลจากทุ่งสตรอเบอร์รี่ในสภาพแวดล้อมต่างๆ เราขอเสนอ DIN-LW-YOLO: วิธีการตรวจจับสำหรับการนำทางด้วยท่อชลประทานแบบหยดและการกำจัดวัชพืชด้วยเลเซอร์ ซึ่งสามารถตรวจจับต้นกล้าสตรอเบอร์รี่ วัชพืช ท่อชลประทานแบบหยด และจุดการเติบโตของวัชพืชได้แบบเรียลไทม์- แบบจำลองนี้สร้างส่วนหัวการทำนายบน-แผนที่คุณลักษณะความละเอียดสูงของท่าทาง YOLOv8- โมดูลความสนใจ EMA จะถูกเพิ่มก่อนส่วนหัวการทำนายและโมดูล Spatial Pyramid Pooling Fast (SPPF) เพื่อบันทึกความสัมพันธ์ที่จับคู่กันในระดับพิกเซล วิธีนี้ใช้ข้อมูลโดยละเอียดจากแผนที่คุณลักษณะแบบตื้นได้ดีขึ้น ปรับปรุงการตรวจจับเป้าหมายขนาดเล็ก นอกจากนี้ การบิดงอที่เปลี่ยนรูปได้ยังใช้ในการจับคุณลักษณะเป้าหมายแบบปรับเปลี่ยนได้ โดยแทนที่การบิดตัวที่สองในโครงสร้างคอขวดของโมดูลฟิวชั่นคุณลักษณะ ช่วยเพิ่มการตรวจจับเป้าหมายของท่อชลประทานแบบหยดที่ยาวขึ้น ต่อไป DIN-LW-YOLO ถูกรวมเข้ากับหุ่นยนต์กำจัดวัชพืชด้วยเลเซอร์ ระบบควบคุมจะกำหนดเส้นทางการนำทางตามความกว้างของท่อให้น้ำแบบหยดสำหรับการควบคุมการป้อนกลับ และกำหนดตำแหน่งเป้าหมายเลเซอร์โดยการรับพิกัดของจุดการเจริญเติบโตของวัชพืชที่สัมพันธ์กับต้นกล้าสตรอเบอร์รี่และท่อให้น้ำแบบหยด ทำให้บรรลุการดำเนินการกำจัดวัชพืชด้วยเลเซอร์อัตโนมัติ ผลการทดสอบแสดงให้เห็นว่าแบบจำลอง DIN-LW-YOLO แสดงให้เห็นถึงประสิทธิภาพการจดจำที่แข็งแกร่งสำหรับข้อมูลไร่สตรอเบอร์รี่ภายใต้สภาพแวดล้อมและระยะการเติบโตที่แตกต่างกัน ความแม่นยำโดยเฉลี่ย (mAP) ของโมเดลในการตรวจจับเป้าหมายระดับภูมิภาคและจุดอยู่ที่ 88.5% และ 85.0% ตามลำดับ ซึ่งเพิ่มขึ้น 1.9% และ 2.6% เมื่อเทียบกับรุ่นดั้งเดิม ซึ่งตรงตามข้อกำหนดการทำงานแบบเรียลไทม์ของหุ่นยนต์กำจัดวัชพืชด้วยเลเซอร์อัตโนมัติ ผลการทดสอบภาคสนามระบุว่าการควบคุมวัชพืชและอัตราการบาดเจ็บของต้นกล้าอยู่ที่ 92.6% และ 1.2% ตามลำดับ ซึ่งเป็นไปตามข้อกำหนดทางการเกษตรสำหรับการกำจัดวัชพืชด้วยเครื่องจักรในไร่สตรอเบอร์รี่ การค้นพบนี้มีส่วนช่วยในการออกแบบอุปกรณ์การเกษตรอัจฉริยะ และส่งเสริมการใช้วิชันซิสเต็มในการอารักขาพืชสตรอเบอร์รี่
การแนะนำ
สตรอเบอร์รี่เป็นไม้ล้มลุกยืนต้นในตระกูล Rosaceae โดยทั่วไปจะขยายพันธุ์ผ่านสโตลอน ต้นสตรอเบอร์รี่ที่เติบโตต่ำ-มีความอ่อนไหวสูงต่อวัชพืชที่อยู่รอบๆ ทั้งในเรือนเพาะชำและในไร่นา วัชพืชที่แข็งแรงไม่เพียงแต่แย่งชิงสารอาหารและแสงสว่างเท่านั้น ทำให้อุณหภูมิสิ่งแวดล้อมในท้องถิ่นเพิ่มขึ้น แต่ยังทำหน้าที่เป็นตัวกลางสำหรับศัตรูพืชและโรค ซึ่งช่วยเร่งการแพร่กระจายของพวกมัน ดังนั้นการควบคุมวัชพืชจึงส่งผลโดยตรงต่อผลผลิตและคุณภาพของสตรอเบอร์รี่ สารกำจัดวัชพืชก่อน-และหลัง-ที่ใช้กันโดยทั่วไปส่งผลเสียต่อผลผลิต สิ่งแวดล้อม และสุขภาพของคนงาน (Huang et al., 2018) เรเบียร์ และคณะ (2017) ตั้งข้อสังเกตว่าเครื่องกำจัดวัชพืชแบบกลไกมีประสิทธิภาพน้อยกว่ายากำจัดวัชพืช เนื่องจากเครื่องกำจัดวัชพืชแบบทั่วไป (เช่น จอบ ใบมีดหมุน) ไม่สามารถกำหนดเป้าหมายวัชพืชในแถว-โดยเฉพาะได้ นอกจากนี้ การรบกวนดินจากการไถพรวนอาจเป็นอันตรายต่อสิ่งมีชีวิตในดินที่เป็นประโยชน์ เช่น ไส้เดือน และนำไปสู่การพังทลายของดินและการชะล้างธาตุอาหาร (Chatterjee & Lal, 2009) ความกังวลเกี่ยวกับวิธีการควบคุมวัชพืชในปัจจุบันเน้นย้ำถึงความจำเป็นในการแก้ปัญหาที่เป็นนวัตกรรม ซึ่งการควบคุมวัชพืชด้วยเลเซอร์-ได้ผลดี (Tran et al., 2023)
ในด้านการควบคุมวัชพืชด้วยเลเซอร์- ความก้าวหน้าต่างๆ ได้ผลักดันการพัฒนาเทคโนโลยีอย่างต่อเนื่อง ไฮเซล และคณะ (2001) บุกเบิกการใช้ลำแสงเลเซอร์ในการตัดก้านวัชพืชเพื่อควบคุมวัชพืช ต่อมา Mathiassen และคณะ (2006) ได้ทำการศึกษาเชิงลึก-เกี่ยวกับผลกระทบของการรักษาด้วยเลเซอร์ต่อการปราบปรามวัชพืช โดยพบว่าการสัมผัสเลเซอร์ที่เนื้อเยื่อปลายยอดของวัชพืชลดการเจริญเติบโตลงอย่างมาก และทำให้วัชพืชบางชนิดเสียชีวิตได้ นาดิมิ และคณะ (2009) ออกแบบอุปกรณ์ทดสอบการกำจัดวัชพืชด้วยเลเซอร์เพื่อจำลองการกำหนดเป้าหมายแบบไดนามิกของวัชพืช ต่อมามาร์กซ์และคณะ (2012) แสดงให้เห็นการทดลองว่าการควบคุมวัชพืชที่มีประสิทธิภาพต้องใช้การกำหนดเป้าหมายที่แม่นยำของเนื้อเยื่อเนื้อเยื่อด้วย CNC (Computer Numerical Control) ในขณะที่ Ge และคณะ (2013) และ Xuelei และคณะ (2016) แต่ละแนวคิดที่เสนอเกี่ยวกับแขนหุ่นยนต์สำหรับการกำจัดวัชพืชด้วยเลเซอร์ อาร์ซา และคณะ (2023) เปิดตัวโครงข่ายประสาทเทียมแบบหมุนด้วยสถาปัตยกรรมตัวเข้ารหัส-ตัวเข้ารหัสเพื่อตรวจจับจุดการเติบโตของวัชพืช โดยเน้นถึงความสำคัญและความเป็นไปได้ของการตรวจจับจุดการเติบโต-เพื่อการกำหนดเป้าหมายด้วยเลเซอร์ที่แม่นยำในเทคโนโลยีนี้ การศึกษาเหล่านี้ร่วมกันมีเทคโนโลยีควบคุมวัชพืช-ที่ใช้เลเซอร์ขั้นสูงอย่างเป็นระบบในมิติต่างๆ
ในช่วงไม่กี่ปีที่ผ่านมา เพื่อจัดการกับความท้าทายในการกำจัดวัชพืชในทุ่งนา นักวิจัยได้ใช้เทคนิคการเรียนรู้เชิงลึกในการตรวจหาวัชพืชในทุ่งเพาะปลูก เกาและคณะ (2020) พัฒนาวิธีการโดยใช้โครงข่ายประสาทเทียมเชิงลึก (CNN) ที่ใช้ YOLOv3- เพื่อแยกแยะชูการ์บีทจากวัชพืช ในขณะที่ Jabir และคณะ (2021) ใช้สถาปัตยกรรมเครือข่ายสี่แบบ-Dectron 2, EfficientDet, YOLO และ Faster R-CNN- เพื่อแยกแยะกล้วยไม้จาก Convolvulus โดยเลือกโครงสร้างที่เหมาะสมที่สุดสำหรับการตรวจจับวัชพืช เฉินและคณะ (2022) ปรับปรุงแบบจำลอง YOLOv4 โดยการรวมโมดูล SE เป็นเลเยอร์ลอจิกใน SPP และเพิ่มการรวมกลุ่มความสำคัญในระดับท้องถิ่น จัดการกับการเปลี่ยนแปลงในขนาดเป้าหมาย และเพิ่มประสิทธิภาพและความแม่นยำในการจดจำวัชพืชในไร่งาอย่างมีนัยสำคัญ วิเซนติน และคณะ (2023) สาธิตระบบกำจัดวัชพืชด้วยหุ่นยนต์อัตโนมัติแบบไฮบริดที่สามารถกำจัดวัชพืชแบบอัตโนมัติและชาญฉลาดได้ เชา และคณะ (2023) กล่าวถึงปัญหาที่ซับซ้อนในนาข้าว-เช่น ภาพสะท้อนของน้ำ พื้นหลังของดิน การเติบโตที่ทับซ้อนกัน และแสงที่หลากหลาย-โดยเสนอโมเดลการเรียนรู้เชิงลึกที่ได้รับการปรับปรุง GTCBS-YOLOv5s เพื่อระบุวัชพืชหกประเภท แฟน และคณะ (2023) สร้างแบบจำลองการตรวจจับและการจัดการวัชพืชแบบบูรณาการโดยใช้โมดูล CBAM โครงสร้าง BiFPN และอัลกอริธึมการแก้ไขแบบไบลิเนียร์ ซูและคณะ (2023) นำเสนอแนวทางใหม่ที่รวมดัชนีสีที่มองเห็นได้เข้ากับวิธีการแบ่งส่วนอินสแตนซ์ตามสถาปัตยกรรมตัวถอดรหัส- ซึ่งจัดการกับความท้าทายในการตรวจจับและแบ่งส่วนวัชพืชอย่างแม่นยำในพืชถั่วเหลืองที่ปลูกหนาแน่น เหลียวและคณะ (2024) เสนอโมเดลเครือข่าย Strip Convolutional Network ใหม่ (SC-Net) ซึ่งได้รับคะแนน mIoU ที่ 87.48 % และ 89.00 % จากชุดข้อมูลต้นกล้าข้าวที่กำหนดเองและชุดข้อมูลทางการเกษตรสาธารณะ ซึ่งแสดงให้เห็นถึงความแม่นยำและความเสถียรสูง โรเนย์ และคณะ (2024) ประเมินประสิทธิภาพของ SMA ในการประมาณค่าการครอบคลุมของวัชพืชในระยะการเจริญเติบโตที่แตกต่างกัน รวมถึงในความละเอียดสเปกตรัมและเชิงพื้นที่ Rai and Sun (2024) พัฒนาสถาปัตยกรรมการเรียนรู้เชิงลึก-ขั้นตอนเดียวที่มีความสามารถทั้งการแปลแบบ Bounding Box และ-การแบ่งอินสแตนซ์ระดับพิกเซลของวัชพืชในรูปภาพการสำรวจระยะไกลที่ได้รับจาก UAV
โดยสรุป การวิจัยในปัจจุบันมุ่งเน้นไปที่การแยกแยะพืชผลจากวัชพืชเป็นหลัก อย่างไรก็ตาม สำหรับการกำจัดวัชพืชด้วยเลเซอร์ในไร่สตรอเบอร์รี่ ไม่เพียงแต่จะต้องระบุวัชพืชเท่านั้น แต่ยังต้องตรวจจับท่อชลประทานแบบหยดและระบุพิกัดจุดการเติบโตของวัชพืชเพื่อให้สามารถดำเนินการกำจัดวัชพืชได้อย่างแม่นยำ การใช้ท่อชลประทานแบบหยดสำหรับการนำทางภาคสนามช่วยเพิ่มฟังก์ชันการทำงานให้กับโมเดลเครือข่ายเดียว เพิ่มประสิทธิภาพทรัพยากรการคำนวณ อย่างไรก็ตาม ต้นสตรอเบอร์รี่ที่มีขนาดแตกต่างกัน ท่อน้ำที่เรียวยาว และเงื่อนไขที่ซับซ้อน เช่น การทับซ้อนกันระหว่างต้นกล้าและท่อสตรอเบอร์รี่ รวมถึงวัชพืชที่กระจุกหนาแน่น ทำให้เกิดความท้าทายอย่างมากในการสกัดและเรียนรู้ลักษณะของวัชพืช ต้นกล้าสตรอเบอร์รี่ ท่อชลประทาน และจุดการเติบโตของวัชพืชในทุ่งสตรอเบอร์รี่อย่างแม่นยำ
จากบริบทข้างต้น การศึกษานี้มีวัตถุประสงค์เพื่อ: (1) สร้างชุดข้อมูลที่ครอบคลุมสภาวะการเจริญเติบโตและระยะต่างๆ สำหรับไร่สตรอเบอร์รี่ ท่อชลประทานแบบหยด วัชพืช และจุดการเจริญเติบโตของวัชพืช; (2) เสนอแบบจำลอง DIN-LW-YOLO เพื่อตรวจจับทุ่งสตรอเบอร์รี่ ท่อชลประทานแบบหยด วัชพืช และจุดการเจริญเติบโตของวัชพืชได้อย่างแม่นยำ (3) พัฒนาระบบควบคุมตามโมเดล DIN-LW-YOLO เพื่อจัดการการนำทางแบบเรียลไทม์- และการกำหนดเป้าหมายด้วยเลเซอร์สำหรับหุ่นยนต์กำจัดวัชพืช และ (4) ดำเนินการทดลองภาคสนามโดยใช้หุ่นยนต์กำจัดวัชพืชด้วยเลเซอร์ในไร่สตรอเบอร์รี่เพื่อประเมินประสิทธิภาพการกำจัดวัชพืชด้วยเลเซอร์อัตโนมัติภายใต้สภาพสนามจริง
