추상적인
딸기 밭의 잡초는 빠르게 번식하여 딸기 모종의 영양분과 빛을 빼앗아 지역 환경 온도를 높이고 해충과 질병의 중간 숙주 역할을 하여 발생과 확산을 가속화합니다. 딸기 묘목 재배 시 잡초 방제 문제를 해결하기 위해 본 논문에서는 DIN-LW-YOLO를 기반으로 딸기밭용 자동 레이저 제초 로봇을 설계합니다. 먼저, 다양한 환경의 딸기 밭에서 데이터 세트를 구축하여 딸기 묘목, 잡초, 점적 관개 파이프 및 잡초 성장 지점을 실시간으로 감지할 수 있는 점적 관개 파이프 탐색 및 레이저 제초를 위한 감지 방법인 DIN-LW-YOLO를 제안합니다.- 모델은 YOLOv8-포즈의 고해상도 특성 맵에서 예측 헤드를 구성합니다. EMA 주의 모듈은 예측 헤드와 SPPF(Spatial Pyramid Pooling Fast) 모듈 앞에 추가되어 픽셀- 수준 쌍 관계를 캡처합니다. 이 접근 방식은 얕은 특징 맵의 자세한 정보를 더 잘 활용하여 작은 대상 감지를 향상시킵니다. 또한 변형 가능한 컨볼루션을 사용하여 대상 기능을 적응적으로 캡처하고 기능 융합 모듈의 병목 구조에서 두 번째 컨볼루션을 대체하여 길쭉한 점적 관개 파이프 대상의 감지를 향상시킵니다. 다음으로 DIN-LW-YOLO가 레이저 제초 로봇에 통합되었습니다. 제어 시스템은 피드백 제어를 위해 점적 관개 파이프의 폭을 기반으로 탐색 경로를 결정하고 딸기 묘목 및 점적 관개 파이프에 대한 잡초 성장 지점의 좌표를 획득하여 레이저 타겟의 위치를 지정하여 자동 레이저 제초 작업을 수행합니다. 테스트 결과에 따르면 DIN{20}}LW-YOLO 모델은 다양한 환경 및 성장 단계에서 딸기 밭 데이터에 대해 강력한 인식 성능을 보여줍니다. 지역 및 점 표적 탐지에서 모델의 평균 정확도(mAP)는 각각 88.5%와 85.0%로 원래 모델에 비해 1.9%와 2.6% 향상되어 자동 레이저 제초 로봇의 실시간 작동 요구 사항을 충족합니다. 현장 테스트 결과에 따르면 잡초 방제율과 묘목 손상율은 각각 92.6%와 1.2%로 딸기 밭의 기계적 제초에 대한 농업적 요구 사항을 충족했습니다. 이번 연구 결과는 지능형 농업 장비 설계에 기여하고 딸기 작물 보호에 머신 비전 적용을 촉진합니다.
소개
딸기는 장미과에 속하는 다년생 초본 식물로, 일반적으로 스톨론을 통해 영양으로 번식합니다. 낮게 자라는- 딸기 식물은 묘목장과 포장 환경 모두에서 주변 잡초에 매우 취약합니다. 활발한 잡초는 영양분과 빛을 놓고 경쟁하여 지역 환경 온도를 높일 뿐만 아니라 해충과 질병의 중간 숙주 역할을 하여 확산을 가속화합니다. 결과적으로, 잡초 방제는 딸기의 수확량과 품질에 직접적인 영향을 미칩니다. 일반적으로 적용되는 제초제는 발생 전{5}} 및 발생 후-생산량, 환경 및 작업자 건강에 부정적인 영향을 미칩니다(Huang et al., 2018). Rabieret al. (2017)은 기존 제초기(예: 괭이, 회전 블레이드)가 줄 내부 잡초를 특별히 표적으로 삼을 수 없기 때문에 기계식 제초기는 제초제보다 덜 효과적이라고 지적했습니다.{14}} 또한 경작으로 인한 토양 교란은 지렁이와 같은 유익한 토양 유기체에 해를 끼칠 수 있으며 토양 침식 및 영양분 침출로 이어질 수 있습니다(Chatterjee & Lal, 2009). 현재의 잡초 제거 방법에 대한 우려는 레이저-기반 잡초 제거가 유망한 혁신적인 솔루션의 필요성을 강조합니다(Tran et al., 2023).
레이저-기반 잡초 방제 분야에서는 다양한 발전이 꾸준히 기술 개발을 촉진해 왔습니다. Heiselet al. (2001)은 잡초 제어를 위해 잡초 줄기를 자르기 위해 레이저 빔을 사용하는 방법을 개척했습니다. 나중에 Mathiassen et al. (2006)은-잡초 억제에 대한 레이저 치료 효과에 대한 심층 연구를 수행하여 잡초 꼭대기 분열 조직에 대한 레이저 노출이 성장을 크게 감소시키고 특정 잡초 종에 치명적이라는 사실을 발견했습니다. Nadimiet al. (2009)은 잡초의 동적 표적화를 시뮬레이션하기 위해 레이저 잡초 제거 테스트 장치를 설계했습니다. 이어서 Marx et al. (2012)은 효과적인 잡초 방제를 위해서는 분열 조직의 CNC(컴퓨터 수치 제어) 정밀 타겟팅이 필요하다는 것을 실험적으로 입증한 반면, Ge et al. (2013) 및 Xuelei et al. (2016)은 각각 레이저 잡초 제거를 위한 로봇 팔 개념을 제안했습니다. Arsaet al. (2023)은 잡초 성장 지점을 감지하기 위한 인코더{21}}디코더 아키텍처를 갖춘 컨볼루셔널 신경망을 도입하여 이 기술에서 정확한 레이저 타겟팅을 위한 성장 지점 감지의 중요성과 타당성을 강조했습니다.{22}} 함께, 이러한 연구는 다양한 차원에 걸쳐 레이저- 기반 잡초 제어 기술을 체계적으로 발전시켰습니다.
최근 몇 년간 현장 잡초 제거 문제를 해결하기 위해 연구자들은 농작물 분야의 잡초 탐지를 위한 딥 러닝 기술을 채택했습니다. Gaoet al. (2020)은 YOLOv3-기반 심층 컨볼루셔널 신경망(CNN)을 사용하여 사탕무와 잡초를 구별하는 방법을 개발했으며, Jabir et al. (2021)은 난초와 메꽃을 구별하기 위해 네 가지 네트워크 아키텍처-Detectron 2, EfficientDet, YOLO 및 Faster R-CNN{20}}을 적용하여 잡초 감지에 가장 적합한 구조를 선택했습니다. Chenet al. (2022)은 SE 모듈을 SPP의 논리 계층으로 통합하고 지역화된 중요도 풀링을 추가하여 대상 크기의 변화를 해결하고 참깨 밭에서 잡초 인식 효율성과 정확성을 크게 향상시켜 YOLOv4 모델을 개선했습니다. Visentinet al. (2023)은 지능적이고 자동화된 제초를 달성한 하이브리드 자율 로봇 제초 시스템을 시연했습니다. Shaoet al. (2023)은 6가지 유형의 잡초를 식별하기 위해 향상된 딥 러닝 모델인 GTCBS{30}}YOLOv5를 제안하여{21}물 반사, 토양 배경, 중복 성장, 다양한 조명과 같은{22}}논의 복잡한 문제를 해결했습니다. 팬 외. (2023)은 CBAM 모듈, BiFPN 구조 및 이중선형 보간 알고리즘을 사용하여 통합 잡초 감지 및 관리 모델을 만들었습니다. Xu et al. (2023)은 인코더{34}} 디코더 아키텍처를 기반으로 한 인스턴스 분할 방법과 가시적 색상 인덱스를 결합하여 빽빽하게 심어진 콩 작물 사이에서 잡초를 정확하게 감지하고 분할하는 문제를 효과적으로 해결하는 새로운 접근 방식을 제시했습니다. Liaoet al. (2024)은 새로운 Strip Convolutional Network 모델(SC-Net)을 제안하여 맞춤형 벼 모종 및 공공 농업 데이터세트에서 87.48% 및 89.00%의 mIoU 점수를 달성하여 높은 정확성과 안정성을 입증했습니다. Ronayet al. (2024)은 스펙트럼 및 공간 해상도뿐만 아니라 다양한 성장 단계에서 잡초 피복률을 추정하는 SMA의 성능을 평가했습니다. Rai와 Sun(2024)은 UAV에서 획득한 원격 감지 이미지에서 잡초의 경계 상자 위치 파악과 픽셀{44}}수준 인스턴스 분할이 모두 가능한 단일{43}단계 딥 러닝 아키텍처를 개발했습니다.
요약하면, 현재 연구는 주로 작물과 잡초를 구별하는 데 중점을 두고 있습니다. 그러나 딸기 밭에서 레이저 제초를 하려면 잡초 식별뿐만 아니라 관수관을 감지하고 잡초 성장 지점 좌표를 국지화하여 정확한 제초 작업이 가능해야 합니다. 현장 탐색을 위해 점적 관개 파이프를 활용하면 단일 네트워크 모델에 기능이 추가되어 계산 리소스가 최적화됩니다. 그럼에도 불구하고, 딸기 식물의 다양한 크기, 가느다란 수도관, 딸기 모종과 파이프 사이의 중첩, 잡초가 빽빽하게 뭉쳐 있는 등의 복잡한 조건은 딸기 밭의 잡초, 딸기 모종, 관개 파이프 및 잡초 성장 지점의 특징을 정확하게 추출하고 학습하는 데 상당한 어려움을 안겨줍니다.
위의 맥락을 바탕으로 본 연구에서는 (1) 딸기 밭, 점적관개관, 잡초, 잡초 성장 지점의 다양한 성장 조건과 단계를 포괄하는 데이터 세트를 구축하고; (2) 딸기 밭, 점적 관개 파이프, 잡초 및 잡초 성장 지점을 정확하게 감지하기 위한 DIN-LW-YOLO 모델을 제안합니다. (3) 제초 로봇의 실시간 탐색 및 레이저 타겟팅을 관리하기 위해 DIN-LW-YOLO 모델을 기반으로 하는 제어 시스템을 개발합니다. (4) 실제 현장 조건에서 자율 레이저 제초 성능을 평가하기 위해 레이저 제초 로봇을 딸기 밭에 배치하여 현장 시험을 수행합니다.
