خلاصة
تتكاثر الأعشاب الضارة في حقول الفراولة بسرعة، مما يحرم شتلات الفراولة من العناصر الغذائية والضوء، ويزيد من درجة حرارة البيئة المحلية، ويعمل كمضيف وسيط للآفات والأمراض، مما يسرع حدوثها وانتشارها. لمعالجة مشكلة مكافحة الحشائش أثناء زراعة شتلات الفراولة، تصمم هذه الورقة روبوتًا مستقلاً لإزالة الأعشاب الضارة بالليزر لحقول الفراولة استنادًا إلى DIN-LW-YOLO. أولاً، من خلال إنشاء مجموعات بيانات من حقول الفراولة في بيئات مختلفة، نقترح DIN-LW-YOLO: طريقة اكتشاف للملاحة في أنابيب الري بالتنقيط وإزالة الأعشاب الضارة بالليزر، والتي يمكنها اكتشاف شتلات الفراولة والأعشاب الضارة وأنابيب الري بالتنقيط ونقاط نمو الأعشاب الضارة في الوقت الفعلي-. يقوم النموذج بإنشاء رؤوس التنبؤ على-خرائط الميزات عالية الدقة لوضعية YOLOv8-. تتم إضافة وحدة انتباه EMA قبل رأس التنبؤ ووحدة تجميع الهرم المكاني السريع (SPPF) لالتقاط العلاقات المزدوجة على مستوى البكسل. يستخدم هذا النهج بشكل أفضل المعلومات التفصيلية من خرائط الميزات الضحلة، مما يحسن اكتشاف الأهداف الصغيرة. بالإضافة إلى ذلك، يتم استخدام الالتفافات القابلة للتشوه لالتقاط ميزات الهدف بشكل تكيفي، واستبدال الالتفاف الثاني في هيكل عنق الزجاجة لوحدة دمج الميزات، مما يعزز اكتشاف أهداف أنابيب الري بالتنقيط الطويلة. بعد ذلك، تم دمج DIN-LW-YOLO في روبوت إزالة الأعشاب بالليزر. يحدد نظام التحكم مسار الملاحة بناءً على عرض أنبوب الري بالتنقيط للتحكم في التغذية المرتدة ويحدد موضع هدف الليزر من خلال الحصول على إحداثيات نقاط نمو الأعشاب الضارة بالنسبة لشتلات الفراولة وأنابيب الري بالتنقيط، مما يحقق عمليات إزالة الأعشاب الضارة بالليزر بشكل مستقل. تظهر نتائج الاختبار أن نموذج DIN-LW-YOLO يُظهر أداءً قويًا في التعرف على بيانات حقل الفراولة في ظل بيئات ومراحل نمو مختلفة. يبلغ متوسط دقة النموذج (mAP) في الكشف عن الأهداف الإقليمية والنقطة 88.5% و85.0% على التوالي، وهو ما يتحسن بنسبة 1.9% و2.6% مقارنة بالنموذج الأصلي، مما يلبي متطلبات التشغيل في الوقت الفعلي لروبوت إزالة الأعشاب بالليزر المستقل. تشير نتائج الاختبارات الحقلية إلى أن معدلات مكافحة الحشائش وإصابة البادرات بلغت 92.6% و1.2% على التوالي، وهو ما يلبي المتطلبات الزراعية لإزالة الأعشاب الميكانيكية في حقول الفراولة. تساهم النتائج في تصميم معدات زراعية ذكية وتعزيز تطبيق الرؤية الآلية في حماية محصول الفراولة.
مقدمة
الفراولة هي نباتات عشبية معمرة من عائلة الورديات، وعادة ما يتم نشرها نباتيا من خلال الركود. نباتات الفراولة منخفضة النمو- معرضة بشكل كبير للأعشاب الضارة المحيطة بها في كل من بيئات الحضانة والحقول. لا تتنافس الحشائش القوية على العناصر الغذائية والضوء فحسب، مما يزيد من درجة حرارة البيئة المحلية، ولكنها تعمل أيضًا كمضيف وسيط للآفات والأمراض، مما يسرع انتشارها. وبالتالي، تؤثر مكافحة الحشائش بشكل مباشر على محصول وجودة الفراولة. تؤثر مبيدات الأعشاب المستخدمة بشكل شائع قبل- وبعد-الظهور سلبًا على المحصول والبيئة وصحة العمال (Huang et al., 2018). رابيير وآخرون. (2017) أشار إلى أن أدوات إزالة الأعشاب الضارة الميكانيكية أقل فعالية من مبيدات الأعشاب، نظرًا لأن أدوات إزالة الأعشاب التقليدية (مثل المعازق والشفرات الدوارة) لا يمكنها استهداف الحشائش الموجودة داخل الصفوف على وجه التحديد. بالإضافة إلى ذلك، يمكن أن يؤدي اضطراب التربة الناتج عن الحرث إلى الإضرار بالكائنات الحية المفيدة في التربة، مثل ديدان الأرض، ويؤدي إلى تآكل التربة وترشيح المغذيات (تشاترجي ولال، 2009). تؤكد المخاوف المتعلقة بطرق مكافحة الحشائش الحالية على الحاجة إلى حلول مبتكرة، ومن بينها مكافحة الحشائش باستخدام الليزر-تبشر بالخير (Tran et al., 2023).
في مجال مكافحة الحشائش باستخدام الليزر-، أدت التطورات المختلفة إلى دفع تطور التكنولوجيا بشكل ثابت. هيزل وآخرون. (2001) كان رائداً في استخدام أشعة الليزر لقطع سيقان الحشائش لمكافحة الحشائش. في وقت لاحق، ماثياسن وآخرون. (2006) أجرى-دراسة متعمقة لتأثيرات العلاج بالليزر على مكافحة الحشائش، ووجد أن التعرض بالليزر للأنسجة المرستمية القمية للأعشاب أدى إلى انخفاض كبير في النمو وكان مميتًا لبعض أنواع الحشائش. نديمي وآخرون. (2009) صمم جهاز اختبار إزالة الأعشاب الضارة بالليزر لمحاكاة الاستهداف الديناميكي للأعشاب الضارة. وفي وقت لاحق، ماركس وآخرون. (2012) أثبت تجريبيًا أن المكافحة الفعالة للأعشاب الضارة تتطلب استهدافًا دقيقًا للأنسجة الإنشائية باستخدام الحاسب الآلي (التحكم العددي بالكمبيوتر)، في حين أن Ge et al. (2013) وXuelei وآخرون. (2016) اقترح كل مفاهيم الذراع الآلية لإزالة الأعشاب الضارة بالليزر. أرسا وآخرون. (2023) قدم شبكة عصبية تلافيفية مع بنية وحدة فك ترميز-تشفير للكشف عن نقاط نمو الأعشاب الضارة، مع تسليط الضوء على أهمية وجدوى اكتشاف نقاط نمو-لاستهداف دقيق بالليزر في هذه التقنية. وقد ساهمت هذه الدراسات معًا في تطوير تقنية مكافحة الحشائش المستندة إلى الليزر-بشكل منهجي عبر أبعاد مختلفة.
في السنوات الأخيرة، ولمواجهة تحديات إزالة الأعشاب الضارة في الحقل، استخدم الباحثون تقنيات التعلم العميق للكشف عن الأعشاب الضارة في حقول المحاصيل. جاو وآخرون. (2020) طور طريقة باستخدام الشبكة العصبية التلافيفية العميقة (CNN) القائمة على YOLOv3- لتمييز بنجر السكر عن الأعشاب الضارة، بينما قام جابر وآخرون. (2021) طبق أربع بنيات للشبكات-Detectron 2 وEfficientDet وYOLO وFaster R-CNN-للتمييز بين بساتين الفاكهة والنباتات الملتوية، واختيار البنية الأكثر ملاءمة للكشف عن الأعشاب الضارة. تشن وآخرون. (2022) قام بتحسين نموذج YOLOv4 من خلال دمج وحدة SE كطبقة منطقية في SPP وإضافة تجميع الأهمية المحلي، ومعالجة الاختلاف في الأحجام المستهدفة وتعزيز كفاءة ودقة التعرف على الأعشاب الضارة بشكل كبير في حقول السمسم. فيسينتين وآخرون. (2023) أظهر نظامًا آليًا هجينًا لإزالة الأعشاب الضارة حقق إزالة الأعشاب الضارة بشكل ذكي وآلي. شاو وآخرون. (2023) تناول المشكلات المعقدة في حقول الأرز-مثل انعكاس الماء وخلفية التربة والنمو المتداخل والإضاءة المتنوعة-من خلال اقتراح نموذج التعلم العميق المحسّن، GTCBS-YOLOv5s، لتحديد ستة أنواع من الحشائش الضارة. مروحة وآخرون. (2023) أنشأ نموذجًا متكاملًا للكشف عن الحشائش وإدارتها باستخدام وحدة CBAM وهيكل BiFPN وخوارزمية الاستيفاء الثنائي. شو وآخرون. (2023) قدم نهجًا جديدًا يجمع بين مؤشرات الألوان المرئية وطريقة تجزئة المثيلات استنادًا إلى بنية وحدة فك ترميز-التشفير، مما يعالج بشكل فعال التحدي المتمثل في اكتشاف الأعشاب الضارة وتقسيمها بدقة بين محاصيل فول الصويا المزروعة بكثافة. لياو وآخرون. (2024) اقترح نموذجًا جديدًا للشبكة التلافيفية الشريطية (SC-Net)، محققًا درجات mIoU تبلغ 87.48% و89.00% على شتلات الأرز المخصصة ومجموعات البيانات الزراعية العامة، مما يدل على دقة وثبات عاليين. روناي وآخرون. (2024) قام بتقييم أداء SMA في تقدير تغطية الحشائش في مراحل النمو المختلفة وكذلك في الدقة الطيفية والمكانية. طور راي وصن (2024) بنية للتعلم العميق-مرحلة واحدة قادرة على توطين المربع المحيط وتجزئة مثيلات مستوى البكسل-للأعشاب الضارة في صور الاستشعار عن بعد التي يتم الحصول عليها من الطائرات بدون طيار.
باختصار، تركز الأبحاث الحالية في المقام الأول على التمييز بين المحاصيل والأعشاب الضارة. ومع ذلك، بالنسبة لإزالة الأعشاب الضارة بالليزر في حقول الفراولة، فمن الضروري ليس فقط تحديد الأعشاب الضارة ولكن أيضًا اكتشاف أنابيب الري بالتنقيط وتحديد إحداثيات نقاط نمو الأعشاب الضارة لتمكين عمليات إزالة الأعشاب الدقيقة بدقة. يؤدي استخدام أنابيب الري بالتنقيط للملاحة الميدانية إلى إضافة وظائف إلى نموذج شبكة واحد، مما يؤدي إلى تحسين الموارد الحسابية. ومع ذلك، فإن الأحجام المختلفة لنباتات الفراولة، وأنابيب المياه النحيلة، والظروف المعقدة، مثل التداخل بين شتلات الفراولة والأنابيب، فضلاً عن الأعشاب الضارة المتجمعة بكثافة، تمثل تحديات كبيرة لاستخراج وتعلم ميزات الأعشاب الضارة وشتلات الفراولة وأنابيب الري ونقاط نمو الأعشاب الضارة في حقول الفراولة بدقة.
بناءً على السياق المذكور أعلاه، تهدف هذه الدراسة إلى: (1) إنشاء مجموعة بيانات تغطي ظروف ومراحل النمو المختلفة لحقول الفراولة، وأنابيب الري بالتنقيط، والأعشاب الضارة، ونقاط نمو الأعشاب الضارة؛ (2) اقتراح نموذج DIN-LW-YOLO للكشف الدقيق عن حقول الفراولة وأنابيب الري بالتنقيط والأعشاب الضارة ونقاط نمو الأعشاب الضارة؛ (3) تطوير نظام تحكم يعتمد على نموذج DIN-LW-YOLO لإدارة التنقل في الوقت الفعلي-والاستهداف بالليزر لروبوت إزالة الأعشاب الضارة؛ و(4) إجراء تجارب ميدانية من خلال نشر روبوت إزالة الأعشاب الضارة بالليزر في حقول الفراولة لتقييم أداء إزالة الأعشاب الضارة بالليزر المستقل في ظل ظروف ميدانية حقيقية.
