अमूर्त
स्ट्रॉबेरी के खेतों में खरपतवार तेजी से प्रजनन करते हैं, जिससे स्ट्रॉबेरी के पौधे पोषक तत्वों और प्रकाश से वंचित हो जाते हैं, स्थानीय पर्यावरणीय तापमान बढ़ जाता है, और कीटों और बीमारियों के लिए मध्यवर्ती मेजबान के रूप में काम करते हैं, जिससे उनकी घटना और प्रसार में तेजी आती है। स्ट्रॉबेरी की पौध की खेती के दौरान खरपतवार नियंत्रण के मुद्दे को संबोधित करने के लिए, यह पेपर स्ट्रॉबेरी के खेतों के लिए DIN{1}}LW-YOLO के आधार पर एक स्वायत्त लेजर निराई रोबोट डिजाइन करता है। सबसे पहले, विभिन्न वातावरणों में स्ट्रॉबेरी के खेतों से डेटासेट स्थापित करके, हम डीआईएन {{4}एलडब्ल्यू -योलो का प्रस्ताव करते हैं: ड्रिप सिंचाई पाइप नेविगेशन और लेजर निराई के लिए एक पता लगाने की विधि, जो वास्तविक समय में स्ट्रॉबेरी के अंकुर, खरपतवार, ड्रिप सिंचाई पाइप और खरपतवार के विकास बिंदुओं का पता लगा सकती है। मॉडल YOLOv8{{11}पोज़ के उच्च{{8}रिज़ॉल्यूशन फ़ीचर मानचित्रों पर पूर्वानुमान शीर्षों का निर्माण करता है। पिक्सेल स्तर के युग्मित संबंधों को कैप्चर करने के लिए भविष्यवाणी प्रमुख और स्थानिक पिरामिड पूलिंग फास्ट (एसपीपीएफ) मॉड्यूल से पहले एक ईएमए ध्यान मॉड्यूल जोड़ा जाता है। यह दृष्टिकोण उथले फ़ीचर मानचित्रों से विस्तृत जानकारी का बेहतर उपयोग करता है, जिससे छोटे लक्ष्य का पता लगाने में सुधार होता है। इसके अतिरिक्त, विकृत कनवल्शन का उपयोग लक्ष्य सुविधाओं को अनुकूल रूप से कैप्चर करने के लिए किया जाता है, फीचर फ़्यूज़न मॉड्यूल की टोंटी संरचना में दूसरे कनवल्शन की जगह, लम्बी ड्रिप सिंचाई पाइप लक्ष्यों का पता लगाने में वृद्धि की जाती है। इसके बाद, DIN-LW-YOLO को लेजर वीडिंग रोबोट में एकीकृत किया गया है। नियंत्रण प्रणाली फीडबैक नियंत्रण के लिए ड्रिप सिंचाई पाइप की चौड़ाई के आधार पर नेविगेशन पथ निर्धारित करती है और स्ट्रॉबेरी रोपण और ड्रिप सिंचाई पाइप के सापेक्ष खरपतवार विकास बिंदुओं के निर्देशांक प्राप्त करके लेजर लक्ष्य को निर्धारित करती है, जिससे स्वायत्त लेजर निराई संचालन प्राप्त होता है। परीक्षण के नतीजे बताते हैं कि DIN{{20}LW-YOLO मॉडल विभिन्न वातावरणों और विकास चरणों के तहत स्ट्रॉबेरी क्षेत्र के डेटा पर मजबूत पहचान प्रदर्शन प्रदर्शित करता है। क्षेत्रीय और बिंदु लक्ष्य का पता लगाने में मॉडल की औसत सटीकता (एमएपी) क्रमशः 88.5% और 85.0% है, मूल मॉडल की तुलना में 1.9% और 2.6% का सुधार हुआ है, जो स्वायत्त लेजर निराई रोबोट की वास्तविक समय संचालन आवश्यकताओं को पूरा करता है। फ़ील्ड परीक्षण के परिणाम क्रमशः 92.6% और 1.2% की खरपतवार नियंत्रण और अंकुर क्षति दर दर्शाते हैं, जो स्ट्रॉबेरी के खेतों में यांत्रिक निराई के लिए कृषि संबंधी आवश्यकताओं को पूरा करता है। निष्कर्ष बुद्धिमान कृषि उपकरणों के डिजाइन में योगदान करते हैं और स्ट्रॉबेरी फसल सुरक्षा में मशीन विजन के अनुप्रयोग को बढ़ावा देते हैं।
परिचय
स्ट्रॉबेरी रोसैसी परिवार के बारहमासी शाकाहारी पौधे हैं, जो आमतौर पर स्टोलोन के माध्यम से वानस्पतिक रूप से प्रचारित होते हैं। कम उगने वाले स्ट्रॉबेरी के पौधे नर्सरी और खेत दोनों वातावरणों में आसपास के खरपतवारों के प्रति अत्यधिक संवेदनशील होते हैं। जोरदार खरपतवार न केवल पोषक तत्वों और प्रकाश के लिए प्रतिस्पर्धा करते हैं, जिससे स्थानीय पर्यावरणीय तापमान बढ़ता है, बल्कि वे कीटों और बीमारियों के लिए मध्यवर्ती मेजबान के रूप में भी काम करते हैं, जिससे उनके प्रसार में तेजी आती है। नतीजतन, खरपतवार नियंत्रण सीधे स्ट्रॉबेरी की उपज और गुणवत्ता को प्रभावित करता है। आम तौर पर इस्तेमाल किए जाने वाले पूर्व - और बाद {{6}आपातकालीन शाकनाशी उपज, पर्यावरण और श्रमिकों के स्वास्थ्य पर नकारात्मक प्रभाव डालते हैं (हुआंग एट अल., 2018)। रबीयर एट अल. (2017) ने नोट किया कि यांत्रिक खरपतवारनाशी शाकनाशियों की तुलना में कम प्रभावी होते हैं, क्योंकि पारंपरिक खरपतवारनाशी (उदाहरण के लिए, कुदाल, रोटरी ब्लेड) विशेष रूप से अंतरा {{14}पंक्ति खरपतवारों को लक्षित नहीं कर सकते हैं। इसके अतिरिक्त, जुताई से मिट्टी में गड़बड़ी केंचुओं जैसे लाभकारी मिट्टी के जीवों को नुकसान पहुंचा सकती है, और मिट्टी का क्षरण और पोषक तत्वों का रिसाव हो सकता है (चटर्जी और लाल, 2009)। वर्तमान खरपतवार नियंत्रण विधियों के बारे में चिंताएँ नवीन समाधानों की आवश्यकता पर जोर देती हैं, जिनमें लेजर आधारित खरपतवार नियंत्रण भी शामिल है (ट्रान एट अल., 2023)।
लेज़र आधारित खरपतवार नियंत्रण के क्षेत्र में, विभिन्न प्रगतियों ने प्रौद्योगिकी के विकास को लगातार प्रेरित किया है। हेसेल एट अल. (2001) ने खरपतवार नियंत्रण के लिए खरपतवार के तनों को काटने के लिए लेजर बीम के उपयोग की शुरुआत की। बाद में, मैथियासेन एट अल। (2006) ने खरपतवार दमन पर लेजर उपचार के प्रभावों का गहन अध्ययन किया, जिसमें पाया गया कि खरपतवार के शीर्षस्थ विभज्योतकों के लेजर संपर्क से विकास में काफी कमी आई और यह कुछ खरपतवार प्रजातियों के लिए घातक था। नादिमी एट अल. (2009) ने खरपतवारों के गतिशील लक्ष्यीकरण का अनुकरण करने के लिए एक लेजर निराई परीक्षण उपकरण डिजाइन किया। इसके बाद, मार्क्स और अन्य। (2012) ने प्रयोगात्मक रूप से प्रदर्शित किया कि प्रभावी खरपतवार नियंत्रण के लिए सीएनसी (कंप्यूटर न्यूमेरिकल कंट्रोल) द्वारा मेरिस्टेम के सटीक लक्ष्यीकरण की आवश्यकता होती है, जबकि जीई एट अल। (2013) और ज़ुएली एट अल। (2016) लेजर निराई के लिए प्रत्येक प्रस्तावित रोबोटिक भुजा अवधारणा। अरसा एट अल. (2023) ने खरपतवार वृद्धि बिंदुओं का पता लगाने के लिए एक एनकोडर डिकोडर आर्किटेक्चर के साथ एक दृढ़ तंत्रिका नेटवर्क की शुरुआत की, जो इस तकनीक में सटीक लेजर लक्ष्यीकरण के लिए विकास बिंदु पहचान के महत्व और व्यवहार्यता पर प्रकाश डालता है। साथ में, इन अध्ययनों में विभिन्न आयामों में व्यवस्थित रूप से उन्नत लेजर आधारित खरपतवार नियंत्रण तकनीक है।
हाल के वर्षों में, खेतों में निराई-गुड़ाई की चुनौतियों से निपटने के लिए, शोधकर्ताओं ने फसल के खेतों में खरपतवार का पता लगाने के लिए गहन शिक्षण तकनीकों को नियोजित किया है। गाओ एट अल. (2020) ने चुकंदर को खरपतवारों से अलग करने के लिए YOLOv3- आधारित गहरे कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) का उपयोग करके एक विधि विकसित की, जबकि जाबिर एट अल। (2021) ने खरपतवार का पता लगाने के लिए सबसे उपयुक्त संरचना का चयन करते हुए, कॉन्वोल्वुलस से ऑर्किड को अलग करने के लिए चार नेटवर्क आर्किटेक्चर -डिटेक्ट्रोन 2, एफिशिएंटडेट, योलो, और फास्टर आर {{9}सीएनएन - लागू किए। चेन एट अल. (2022) ने एसपीपी में लॉजिक लेयर के रूप में एसई मॉड्यूल को शामिल करके और स्थानीयकृत महत्व पूलिंग को जोड़कर, लक्ष्य आकार में भिन्नता को संबोधित करके और तिल के खेतों में खरपतवार पहचान दक्षता और सटीकता को बढ़ाकर YOLOv4 मॉडल में सुधार किया। विज़ेंटिन एट अल. (2023) ने एक हाइब्रिड स्वायत्त रोबोटिक निराई प्रणाली का प्रदर्शन किया जिसने बुद्धिमान और स्वचालित निराई हासिल की। शाओ एट अल. (2023) ने छह प्रकार के खरपतवारों की पहचान करने के लिए एक उन्नत गहन शिक्षण मॉडल, GTCBS -YOLOv5s का प्रस्ताव देकर धान के खेतों में जटिल मुद्दों को संबोधित किया है, जैसे कि पानी का प्रतिबिंब, मिट्टी की पृष्ठभूमि, अतिव्यापी विकास, और विविध प्रकाश व्यवस्था। फैन एट अल. (2023) ने सीबीएएम मॉड्यूल, बीआईएफपीएन संरचना और बिलिनियर इंटरपोलेशन एल्गोरिदम का उपयोग करके एक एकीकृत खरपतवार का पता लगाने और प्रबंधन मॉडल बनाया। जू एट अल. (2023) ने एक नया दृष्टिकोण प्रस्तुत किया जो दृश्य रंग सूचकांकों को एक एनकोडर - डिकोडर वास्तुकला पर आधारित एक उदाहरण विभाजन विधि के साथ जोड़ता है, जो घनी रूप से बोई गई सोयाबीन फसलों के बीच खरपतवारों का सटीक पता लगाने और उन्हें विभाजित करने की चुनौती से प्रभावी ढंग से निपटता है। लियाओ एट अल. (2024) ने एक नया स्ट्रिप कन्वोल्यूशनल नेटवर्क मॉडल (एससी- नेट) प्रस्तावित किया, जो उच्च सटीकता और स्थिरता का प्रदर्शन करते हुए कस्टम चावल अंकुर और सार्वजनिक कृषि डेटासेट पर 87.48% और 89.00% के एमआईओयू स्कोर प्राप्त करता है। रोनाय एट अल. (2024) ने विभिन्न विकास चरणों के साथ-साथ वर्णक्रमीय और स्थानिक रिज़ॉल्यूशन में खरपतवार कवरेज का अनुमान लगाने में एसएमए के प्रदर्शन का मूल्यांकन किया। राय और सन (2024) ने एक एकल चरण गहन शिक्षण वास्तुकला विकसित की है जो यूएवी-अधिग्रहित रिमोट सेंसिंग छवियों में बाउंडिंग बॉक्स स्थानीयकरण और खरपतवार के पिक्सेल स्तर उदाहरण विभाजन दोनों में सक्षम है।
संक्षेप में, वर्तमान शोध मुख्य रूप से फसलों को खरपतवारों से अलग करने पर केंद्रित है। हालाँकि, स्ट्रॉबेरी के खेतों में लेजर निराई के लिए, न केवल खरपतवारों की पहचान करना आवश्यक है, बल्कि ड्रिप सिंचाई पाइपों का पता लगाना और सटीक निराई संचालन को सक्षम करने के लिए खरपतवार विकास बिंदु निर्देशांक का स्थानीयकरण करना भी आवश्यक है। फ़ील्ड नेविगेशन के लिए ड्रिप सिंचाई पाइप का उपयोग, कम्प्यूटेशनल संसाधनों को अनुकूलित करते हुए, एकल नेटवर्क मॉडल में कार्यक्षमता जोड़ता है। फिर भी, स्ट्रॉबेरी के पौधों के अलग-अलग आकार, पतले पानी के पाइप और जटिल स्थितियाँ, जैसे कि स्ट्रॉबेरी के पौधों और पाइपों के बीच ओवरलैपिंग, साथ ही घने गुच्छों में उगने वाले खरपतवार, स्ट्रॉबेरी के खेतों में खरपतवारों, स्ट्रॉबेरी के पौधों, सिंचाई पाइपों और खरपतवार के विकास बिंदुओं की विशेषताओं को सटीक रूप से निकालने और सीखने के लिए पर्याप्त चुनौतियाँ पेश करते हैं।
उपरोक्त संदर्भ के आधार पर, इस अध्ययन का लक्ष्य है: (1) स्ट्रॉबेरी के खेतों, ड्रिप सिंचाई पाइपों, खरपतवार और खरपतवार के विकास बिंदुओं के लिए विभिन्न विकास स्थितियों और चरणों को कवर करने वाला एक डेटासेट स्थापित करना; (2) स्ट्रॉबेरी के खेतों, ड्रिप सिंचाई पाइपों, खरपतवारों और खरपतवार के विकास बिंदुओं का सटीक पता लगाने के लिए डीआईएन- एलडब्ल्यू - योलो मॉडल का प्रस्ताव रखें; (3) निराई करने वाले रोबोट के लिए वास्तविक समय नेविगेशन और लेजर लक्ष्यीकरण को प्रबंधित करने के लिए DIN{5}LW-YOLO मॉडल पर आधारित एक नियंत्रण प्रणाली विकसित करना; और (4) वास्तविक क्षेत्र की स्थितियों के तहत अपने स्वायत्त लेजर निराई प्रदर्शन का मूल्यांकन करने के लिए स्ट्रॉबेरी के खेतों में लेजर निराई रोबोट को तैनात करके क्षेत्रीय परीक्षण करना।
