Abstrait
Les mauvaises herbes dans les champs de fraises se reproduisent rapidement, privant les plants de fraisiers de nutriments et de lumière, augmentant la température ambiante locale et servant d'hôtes intermédiaires aux ravageurs et aux maladies, accélérant ainsi leur apparition et leur propagation. Pour résoudre le problème du contrôle des mauvaises herbes lors de la culture des plants de fraises, cet article conçoit un robot de désherbage laser autonome pour les champs de fraises basé sur DIN-LW-YOLO. Premièrement, en établissant des ensembles de données à partir de champs de fraises dans divers environnements, nous proposons DIN-LW-YOLO : une méthode de détection pour la navigation dans les tuyaux d'irrigation goutte à goutte et le désherbage au laser, qui peut détecter les plants de fraises, les mauvaises herbes, les tuyaux d'irrigation goutte à goutte et les points de croissance des mauvaises herbes en temps réel-. Le modèle construit des têtes de prédiction sur des cartes de caractéristiques -haute résolution de la pose YOLOv8-. Un module d'attention EMA est ajouté avant la tête de prédiction et le module Spatial Pyramid Pooling Fast (SPPF) pour capturer les relations appariées au niveau des pixels -. Cette approche utilise mieux les informations détaillées provenant de cartes de caractéristiques peu profondes, améliorant ainsi la détection des petites cibles. De plus, des convolutions déformables sont utilisées pour capturer de manière adaptative les caractéristiques cibles, remplaçant la deuxième convolution dans la structure de goulot d'étranglement du module de fusion de caractéristiques, améliorant ainsi la détection des cibles allongées de tuyaux d'irrigation goutte à goutte. Ensuite, DIN-LW-YOLO est intégré au robot de désherbage laser. Le système de contrôle détermine le chemin de navigation en fonction de la largeur du tuyau d'irrigation goutte à goutte pour un contrôle par rétroaction et positionne la cible laser en obtenant les coordonnées des points de croissance des mauvaises herbes par rapport aux plants de fraises et aux tuyaux d'irrigation goutte à goutte, réalisant ainsi des opérations de désherbage laser autonomes. Les résultats des tests montrent que le modèle DIN-LW-YOLO démontre de solides performances de reconnaissance sur les données de champs de fraises dans différents environnements et stades de croissance. La précision moyenne (mAP) du modèle dans la détection de cibles régionales et ponctuelles est respectivement de 88,5 % et 85,0 %, une amélioration de 1,9 % et 2,6 % par rapport au modèle original, répondant ainsi aux exigences de fonctionnement en temps réel du robot de désherbage laser autonome. Les résultats des essais sur le terrain indiquent des taux de contrôle des mauvaises herbes et de dommages aux semis de 92,6 % et 1,2 %, respectivement, répondant aux exigences agronomiques en matière de désherbage mécanique dans les champs de fraises. Les résultats contribuent à la conception d’équipements agricoles intelligents et favorisent l’application de la vision industrielle à la protection des cultures de fraises.
Introduction
Les fraises sont des plantes herbacées vivaces de la famille des Rosacées, généralement multipliées par voie végétative par les stolons. Les fraisiers à faible croissance-sont très sensibles aux mauvaises herbes environnantes dans les pépinières et les champs. Les mauvaises herbes vigoureuses non seulement rivalisent pour les nutriments et la lumière, augmentant ainsi la température ambiante locale, mais servent également d’hôtes intermédiaires aux ravageurs et aux maladies, accélérant ainsi leur propagation. Par conséquent, la lutte contre les mauvaises herbes affecte directement le rendement et la qualité des fraises. Les herbicides couramment appliqués en pré- et en post-levée ont un impact négatif sur le rendement, l'environnement et la santé des travailleurs (Huang et al., 2018). Rabier et coll. (2017) ont noté que les désherbeurs mécaniques sont moins efficaces que les herbicides, car les désherbeurs conventionnels (par exemple, houes, lames rotatives) ne peuvent pas cibler spécifiquement les mauvaises herbes intra--dans les rangs. De plus, la perturbation du sol due au travail du sol peut nuire aux organismes bénéfiques du sol, tels que les vers de terre, et entraîner l'érosion du sol et le lessivage des éléments nutritifs (Chatterjee et Lal, 2009). Les inquiétudes concernant les méthodes actuelles de contrôle des mauvaises herbes soulignent la nécessité de solutions innovantes, parmi lesquelles le contrôle des mauvaises herbes au laser est prometteur (Tran et al., 2023).
Dans le domaine du désherbage au laser-, diverses avancées ont progressivement propulsé le développement de la technologie. Heisel et coll. (2001) ont été les premiers à utiliser des faisceaux laser pour couper les tiges des mauvaises herbes afin de lutter contre les mauvaises herbes. Plus tard, Mathiassen et al. (2006) ont mené une étude approfondie des effets du traitement au laser sur la suppression des mauvaises herbes, révélant que l'exposition au laser des méristèmes apicaux des mauvaises herbes réduisait considérablement la croissance et était mortelle pour certaines espèces de mauvaises herbes. Nadimi et coll. (2009) ont conçu un dispositif de test de désherbage laser pour simuler le ciblage dynamique des mauvaises herbes. Par la suite, Marx et al. (2012) ont démontré expérimentalement qu'un contrôle efficace des mauvaises herbes nécessite un ciblage précis des méristèmes par CNC (Computer Numerical Control), tandis que Ge et al. (2013) et Xuelei et al. (2016) ont chacun proposé des concepts de bras robotisés pour le désherbage au laser. Arsa et coll. (2023) ont introduit un réseau neuronal convolutif avec une architecture d'encodeur-décodeur pour détecter les points de croissance des mauvaises herbes, soulignant l'importance et la faisabilité de la détection des points de croissance-pour un ciblage laser précis dans cette technologie. Ensemble, ces études ont systématiquement fait progresser la technologie de contrôle des mauvaises herbes basée sur le laser-dans diverses dimensions.
Ces dernières années, pour relever les défis du désherbage des champs, les chercheurs ont eu recours à des techniques d’apprentissage profond pour la détection des mauvaises herbes dans les champs de culture. Gao et coll. (2020) ont développé une méthode utilisant un réseau neuronal à convolution profonde (CNN) basé sur YOLOv3- pour distinguer la betterave sucrière des mauvaises herbes, tandis que Jabir et al. (2021) ont appliqué quatre architectures de réseau-Detectron 2, EfficientDet, YOLO et Faster R-CNN-pour différencier les orchidées des convolvulus, en sélectionnant la structure la plus appropriée pour la détection des mauvaises herbes. Chen et coll. (2022) ont amélioré le modèle YOLOv4 en incorporant le module SE comme couche logique dans SPP et en ajoutant un regroupement d'importance localisé, traitant de la variation des tailles cibles et améliorant considérablement l'efficacité et la précision de la reconnaissance des mauvaises herbes dans les champs de sésame. Visentin et coll. (2023) ont démontré un système de désherbage robotique autonome hybride permettant un désherbage intelligent et automatisé. Shao et coll. (2023) ont abordé des problèmes complexes dans les rizières-tels que la réflexion de l'eau, le fond du sol, la croissance superposée et l'éclairage diversifié-en proposant un modèle d'apprentissage en profondeur amélioré, GTCBS-YOLOv5s, pour identifier six types de mauvaises herbes. Fan et coll. (2023) ont créé un modèle intégré de détection et de gestion des mauvaises herbes à l'aide du module CBAM, de la structure BiFPN et de l'algorithme d'interpolation bilinéaire. Xu et coll. (2023) ont présenté une nouvelle approche qui combine des indices de couleur visibles avec une méthode de segmentation d'instance basée sur une architecture d'encodeur-décodeur, relevant efficacement le défi de la détection et de la segmentation précises des mauvaises herbes parmi les cultures de soja densément plantées. Liao et coll. (2024) ont proposé un nouveau modèle de réseau convolutif en bandes (SC-Net), atteignant des scores mIoU de 87,48 % et 89,00 % sur des plants de riz personnalisés et des ensembles de données agricoles publiques, démontrant une grande précision et stabilité. Ronay et coll. (2024) ont évalué les performances du SMA dans l'estimation de la couverture de mauvaises herbes à différents stades de croissance ainsi qu'en résolution spectrale et spatiale. Rai et Sun (2024) ont développé une architecture d'apprentissage profond en une seule étape capable à la fois de localiser le cadre de délimitation et de segmenter les instances au niveau des pixels des mauvaises herbes dans les images de télédétection acquises par un drone.
En résumé, les recherches actuelles se concentrent principalement sur la distinction entre les cultures et les mauvaises herbes. Cependant, pour le désherbage laser des champs de fraises, il est essentiel non seulement d'identifier les mauvaises herbes mais également de détecter les tuyaux d'irrigation goutte à goutte et de localiser les coordonnées des points de croissance des mauvaises herbes pour permettre des opérations de désherbage précises. L'utilisation de tuyaux d'irrigation goutte à goutte pour la navigation sur le terrain ajoute des fonctionnalités à un modèle de réseau unique, optimisant ainsi les ressources informatiques. Néanmoins, les différentes tailles des plants de fraisiers, les conduites d'eau minces et les conditions complexes, telles que le chevauchement entre les plants de fraisiers et les tuyaux, ainsi que les mauvaises herbes densément regroupées, présentent des défis importants pour extraire et apprendre avec précision les caractéristiques des mauvaises herbes, des plants de fraisiers, des tuyaux d'irrigation et des points de croissance des mauvaises herbes dans les champs de fraises.
Sur la base du contexte ci-dessus, cette étude vise à : (1) établir un ensemble de données couvrant diverses conditions et stades de croissance des champs de fraises, des tuyaux d'irrigation goutte à goutte, des mauvaises herbes et des points de croissance des mauvaises herbes ; (2) proposer le modèle DIN-LW-YOLO pour détecter avec précision les champs de fraises, les tuyaux d'irrigation goutte à goutte, les mauvaises herbes et les points de croissance des mauvaises herbes ; (3) développer un système de contrôle basé sur le modèle DIN-LW-YOLO pour gérer la navigation en temps réel-et le ciblage laser du robot de désherbage ; et (4) mener des essais sur le terrain en déployant le robot de désherbage laser dans les champs de fraises pour évaluer ses performances de désherbage laser autonome dans des conditions réelles de terrain.
