抽象的な
イチゴ畑の雑草は急速に繁殖し、イチゴの苗木から栄養分と光を奪い、地域の環境温度を上昇させ、害虫や病気の中間宿主として働き、その発生と蔓延を加速させます。イチゴ苗栽培中の雑草制御の問題に対処するために、この論文では DIN-LW-YOLO に基づいたイチゴ畑用の自律型レーザー除草ロボットを設計します。まず、さまざまな環境のイチゴ畑からのデータセットを確立することで、DIN-LW-YOLO を提案します。これは、点滴灌漑パイプのナビゲーションとレーザー除草のための検出方法であり、イチゴの苗木、雑草、点滴灌漑パイプ、雑草の成長点をリアルタイムで検出できます。-このモデルは、YOLOv8- ポーズの高解像度特徴マップに基づいて予測ヘッドを構築します。- EMA アテンション モジュールは、予測ヘッドと空間ピラミッド プーリング高速 (SPPF) モジュールの前に追加され、ピクセル- レベルのペア関係をキャプチャします。このアプローチでは、浅い特徴マップからの詳細情報をより適切に利用し、小さなターゲットの検出を向上させます。さらに、変形可能な畳み込みを使用してターゲットの特徴を適応的にキャプチャし、特徴融合モジュールのボトルネック構造の 2 番目の畳み込みを置き換え、細長い点滴灌漑パイプ ターゲットの検出を強化します。次に、DIN-LW-YOLO がレーザー除草ロボットに統合されます。制御システムは、点滴潅水パイプの幅に基づいてナビゲーション経路を決定してフィードバック制御し、イチゴ苗と点滴潅水パイプに対する雑草生育点の座標を取得してレーザーターゲットを位置決めすることで、自律的なレーザー除草作業を実現します。テスト結果は、DIN-LW-YOLO モデルが、さまざまな環境や成長段階の下でイチゴ畑のデータに対して強力な認識パフォーマンスを示していることを示しています。このモデルの領域および点ターゲット検出の平均精度 (mAP) はそれぞれ 88.5% と 85.0% で、元のモデルと比較して 1.9% と 2.6% 向上し、自律型レーザー除草ロボットのリアルタイム動作要件を満たしています。圃場試験の結果では、雑草防除率が 92.6%、苗傷み率が 1.2% であり、イチゴ畑での機械除草に対する農学的要件を満たしていることが示されています。この研究結果は、インテリジェント農業機器の設計に貢献し、イチゴ作物保護におけるマシンビジョンの応用を促進します。
導入
イチゴはバラ科の多年生草本植物で、通常、匍匐茎を介して栄養繁殖します。低成長のイチゴ植物は、苗床環境でも畑環境でも周囲の雑草の影響を非常に受けやすいです。-活発な雑草は栄養素や光を求めて競合し、地域の環境温度を上昇させるだけでなく、害虫や病気の中間宿主としても機能し、その蔓延を加速します。したがって、雑草の管理はイチゴの収量と品質に直接影響します。一般的に使用される除草剤は、出現前および出現後-に収量、環境、労働者の健康に悪影響を及ぼします（Huang et al., 2018）。ラビアら。 (2017) は、従来の除草機 (例: クワ、回転刃) は列内の雑草を特異的にターゲットにできないため、機械除草機は除草剤よりも効果が低いと指摘しました。-さらに、耕作による土壌の撹乱は、ミミズなどの有益な土壌生物に害を与え、土壌侵食や栄養素の浸出を引き起こす可能性があります (Chatterjee & Lal、2009)。現在の雑草防除方法に関する懸念は革新的な解決策の必要性を浮き彫りにしており、その中でレーザーベースの雑草防除は有望である(Tran et al., 2023)。{18}}
レーザー-ベースの雑草防除の分野では、さまざまな進歩により技術の開発が着実に推進されています。ハイゼルら。 (2001) は、雑草防除のために雑草の茎を切断するためのレーザー光線の使用の先駆けとなりました。その後、Mathiassen ら。 (2006) は、雑草抑制に対するレーザー処理の効果について詳細な研究を実施しました。その結果、雑草の頂端分裂組織へのレーザー照射は成長を著しく低下させ、特定の雑草種にとって致命的であることが判明しました。ナディミら。 (2009) は、雑草の動的ターゲティングをシミュレートするレーザー除草試験装置を設計しました。その後、マルクスら。 Ge et al. (2012) は、効果的な雑草防除には CNC (コンピューター数値制御) による分裂組織の正確なターゲティングが必要であることを実験的に実証しました。 (2013) および Xuelei ら。 (2016) それぞれがレーザー除草用のロボット アームのコンセプトを提案しました。アルサら。 (2023) は、雑草の成長点を検出するためのエンコーダ-デコーダ アーキテクチャを備えた畳み込みニューラル ネットワークを導入し、この技術における正確なレーザー ターゲティングのための成長点検出の重要性と実現可能性を強調しました。-これらの研究により、レーザー-ベースの雑草防除技術がさまざまな次元で体系的に進歩してきました。
近年、畑の除草の課題に対処するために、研究者は畑の雑草検出にディープラーニング技術を採用しています。ガオら。 (2020) は、YOLOv3- ベースのディープ畳み込みニューラル ネットワーク (CNN) を使用してテンサイと雑草を区別する方法を開発しました。 (2021) は 4 つのネットワーク アーキテクチャ -Detectron 2、EfficientDet、YOLO、Faster R-CNN-を適用してランとヒルガオを区別し、雑草検出に最適な構造を選択しました。チェンら。 (2022) SPP のロジック層として SE モジュールを組み込み、局所的な重要度プーリングを追加することで YOLOv4 モデルを改良し、ターゲット サイズの変動に対処し、ゴマ畑での雑草認識の効率と精度を大幅に向上させました。ビセンティンら。 (2023) インテリジェントかつ自動除草を実現するハイブリッド自律ロボット除草システムを実証しました。シャオら。 (2023) は、6 種類の雑草を識別するための強化された深層学習モデルである GTCBS-YOLOv5s を提案することで、水田の複雑な問題-、水の反射、土壌の背景、重なり合う成長、多様な照明など-に対処しました。ファンら。 (2023) CBAM モジュール、BiFPN 構造、および双線形補間アルゴリズムを使用して、統合された雑草検出および管理モデルを作成しました。徐ら。 (2023) は、可視カラー インデックスとエンコーダ-デコーダ アーキテクチャに基づくインスタンス セグメンテーション手法を組み合わせた新しいアプローチを提示し、密に植えられた大豆作物の間で雑草を正確に検出してセグメント化するという課題に効果的に取り組みました。リャオら。 (2024) 新しいストリップ畳み込みネットワーク モデル (SC- Net) を提案し、カスタムの稲苗と公共農業データセットで 87.48 % と 89.00 % の mIoU スコアを達成し、高い精度と安定性を実証しました。ロネイら。 (2024) は、スペクトルおよび空間解像度だけでなく、さまざまな成長段階での雑草被覆率の推定における SMA のパフォーマンスを評価しました。 Rai と Sun (2024) は、UAV で取得したリモート センシング画像内の雑草の境界ボックス位置特定とピクセル レベルのインスタンス セグメンテーションの両方が可能な単一ステージのディープ ラーニング アーキテクチャを開発しました。{44}
要約すると、現在の研究は主に作物と雑草を区別することに焦点を当てています。しかし、イチゴ畑のレーザー除草では、正確な除草作業を可能にするために、雑草を識別するだけでなく、点滴灌漑パイプを検出し、雑草の成長点の座標を特定することが不可欠です。フィールドナビゲーションに点滴灌漑パイプを利用すると、単一のネットワークモデルに機能が追加され、計算リソースが最適化されます。それにもかかわらず、さまざまなサイズのイチゴの植物、細い給水パイプ、イチゴの苗とパイプの重なり、密集した雑草などの複雑な条件により、イチゴ畑の雑草、イチゴの苗、灌漑パイプ、雑草の成長点の特徴を正確に抽出して学習することは大きな課題となります。
上記の状況に基づいて、この研究は次のことを目的としています。(1) イチゴ畑、点滴灌漑パイプ、雑草、および雑草の成長点のさまざまな成長条件と段階をカバーするデータセットを確立する。 (2) イチゴ畑、点滴灌漑パイプ、雑草、雑草の成長点を正確に検出するための DIN-LW-YOLO モデルを提案します。 (3) DIN-LW-YOLO モデルに基づいて、除草ロボットのリアルタイム ナビゲーションとレーザー ターゲティングを管理する制御システムを開発します。- (4) レーザー除草ロボットをイチゴ畑に導入して実地試験を実施し、実際の圃場条件下での自律型レーザー除草性能を評価します。
