תַקצִיר
עשבים שוטים בשדות תות מתרבים במהירות, מונעים משתילי תות חומרי הזנה ואור, מעלים את הטמפרטורה של הסביבה המקומית, ומשמשים כמארחי ביניים למזיקים ומחלות, מאיצים את התרחשותם והתפשטותם. כדי לטפל בסוגיית הדברת עשבים במהלך גידול שתילי תותים, מאמר זה מעצב רובוט לייזר אוטונומי לניכוש עשבים לשדות תותים המבוסס על DIN-LW-YOLO. ראשית, על ידי הקמת מערכי נתונים משדות תותים בסביבות שונות, אנו מציעים DIN-LW-YOLO: שיטת זיהוי לניווט בצינורות השקיה בטפטוף ונייכוש לייזר, שיכולה לזהות שתילי תותים, עשבים שוטים, צינורות השקיה בטפטוף ונקודות צמיחת עשבים בזמן אמת-. המודל בונה ראשי חיזוי על -מפות תכונות ברזולוציה גבוהה של תנוחת YOLOv8-. מודול קשב של EMA מתווסף לפני ראש החיזוי ומודול ה-Spatial Pyramid Pooling Fast (SPPF) כדי ללכוד קשרים ברמת פיקסלים-. גישה זו מנצלת טוב יותר מידע מפורט ממפות תכונה רדודות, ומשפרת את זיהוי מטרות קטנות. בנוסף, פיתולים ניתנים לעיוות משמשים ללכידת מאפייני מטרה בצורה אדפטיבית, תוך החלפת הפיתול השני במבנה צוואר הבקבוק של מודול היתוך תכונה, מה שמשפר את הזיהוי של מטרות צינור השקיה בטפטוף מוארכות. לאחר מכן, DIN-LW-YOLO משולב ברובוט לייזר לניכוש עשבים. מערכת הבקרה קובעת את נתיב הניווט בהתבסס על רוחב צינור ההשקיה בטפטוף לבקרת משוב וממקמת את יעד הלייזר על ידי קבלת קואורדינטות של נקודות גידול עשבים ביחס לשתילי תות וצינורות השקיה בטפטוף, השגת פעולות עישוב לייזר אוטונומיות. תוצאות הבדיקה מראות שמודל DIN-LW-YOLO מדגים ביצועי זיהוי חזקים על נתוני שדות תותים בסביבות ובשלבי צמיחה שונים. הדיוק הממוצע (mAP) של המודל בזיהוי יעדים אזוריים ונקודתיים הוא 88.5% ו-85.0%, בהתאמה, שיפור של 1.9% ו-2.6% בהשוואה לדגם המקורי, ועומד בדרישות התפעול בזמן אמת של רובוט הלייזר האוטונומי לניכוש עשבים. תוצאות בדיקות השדה מצביעות על שיעורי הדברת עשבים ופגיעות שתילים של 92.6% ו-1.2%, בהתאמה, העומדים בדרישות אגרונומיות לניכוש מכני בשדות תותים. הממצאים תורמים לתכנון ציוד חקלאי חכם ומקדמים את יישום ראיית המכונה בהגנת גידולי תות.
מָבוֹא
תותים הם צמחים עשבוניים רב-שנתיים ממשפחת ה-Rosaceae, המופצים בדרך כלל וגטטיבית באמצעות סטוונים. צמחי תותים בצמיחה נמוכה- רגישים מאוד לעשבים שוטים שמסביב, הן בסביבת משתלה והן בסביבת שדה. עשבים שוטים נמרצים לא רק מתחרים על חומרים מזינים ואור, מגבירים את הטמפרטורה הסביבתית המקומית, אלא גם משמשים כמארחי ביניים למזיקים ומחלות, ומאיצים את התפשטותם. כתוצאה מכך, הדברת עשבים משפיעה ישירות על היבול והאיכות של התותים. קוטלי עשבים המיושמים בדרך כלל לפני- ואחרי-התעוררות משפיעים לרעה על התפוקה, הסביבה ובריאות העובדים (Huang et al., 2018). Rabier et al. (2017) ציינו שמכשיכי עשבים מכניים פחות יעילים מקוטלי עשבים, שכן מנכשי עשבים קונבנציונליים (למשל, מעדרים, להבים סיבוביים) אינם יכולים לכוון ספציפית לעשבים שוטים בתוך השורה. בנוסף, הפרעה בקרקע כתוצאה מעיבוד אדמה עלולה לפגוע באורגניזמים מועילים בקרקע, כגון תולעי אדמה, ולהוביל לשחיקת קרקע ולשטיפה של חומרים מזינים (Chatterjee & Lal, 2009). דאגות לגבי שיטות הדברת עשבים נוכחיות מדגישות את הצורך בפתרונות חדשניים, שביניהם הדברת עשבים מבוססת-לייזר מבטיח (Tran et al., 2023).
בתחום הדברת עשבים מבוססי לייזר-, התקדמות שונות הניעו את התפתחות הטכנולוגיה בהתמדה. הייזל וחב'. (2001) היו חלוצים בשימוש בקרני לייזר לחיתוך גבעולים של עשבים להדברת עשבים. מאוחר יותר, Mathiassen et al. (2006) ערכו מחקר-מעמיק של ההשפעות של טיפול לייזר על דיכוי עשבים, ומצא שחשיפה בלייזר למריסטמים אפיקליים של עשבים הפחיתה משמעותית את הצמיחה והייתה קטלנית למיני עשבים מסוימים. Nadimi et al. (2009) תכננה מכשיר לייזר לבדיקת עישובים כדי לדמות מיקוד דינמי של עשבים שוטים. לאחר מכן, מרקס וחב'. (2012) הוכיחו בניסוי שהדברת עשבים יעילה דורשת מיקוד מדויק של CNC (Computer Numerical Control) של מריסטמים, בעוד Ge et al. (2013) ו- Xuelei et al. (2016) כל אחד מהם הציע מושגי זרוע רובוטית לניכוש עשבים בלייזר. ארסה וחב'. (2023) הציגה רשת עצבית קונבולוציונית עם ארכיטקטורת מקודד-מפענח לאיתור נקודות צמיחת עשבים, תוך הדגשת המשמעות וההיתכנות של זיהוי נקודות צמיחה- למיקוד לייזר מדויק בטכנולוגיה זו. יחד, מחקרים אלה שידרו באופן שיטתי טכנולוגיית הדברת עשבים מבוססת לייזר- על פני מימדים שונים.
בשנים האחרונות, כדי להתמודד עם אתגרי ניכוש עשבים בשטח, חוקרים השתמשו בטכניקות למידה עמוקה לגילוי עשבים בשדות גידולים. Gao et al. (2020) פיתחה שיטה המשתמשת ברשת עצבית עצבית (CNN) מבוססת YOLOv3- כדי להבחין בין סלק סוכר לעשבים שוטים, בעוד Jabir et al. (2021) יישם ארבע ארכיטקטורות רשת-Detectron 2, EfficientDet, YOLO ו-Faster R-CNN-כדי להבדיל בין סחלבים לקונבולוולוס, תוך בחירת המבנה המתאים ביותר לזיהוי עשבים. חן וחב'. (2022) שיפרו את מודל YOLOv4 על ידי שילוב מודול SE כשכבת ההיגיון ב-SPP והוספת איגום חשיבות מקומי, התייחסות לשונות בגדלים של יעדים ושיפור משמעותי ביעילות ודיוק זיהוי עשבים בשדות השומשום. ויסנטין וחב'. (2023) הדגימה מערכת רובוטית אוטונומית היברידית שהשיגה עישוב מושכל ואוטומטי. שאו וחב'. (2023) התייחס לבעיות מורכבות בשדות אורז-כגון השתקפות מים, רקע אדמה, צמיחה חופפת ותאורה מגוונת-על ידי הצעת מודל למידה עמוקה משופר, GTCBS-YOLOv5s, לזיהוי שישה סוגים של עשבים שוטים. Fan et al. (2023) יצרה מודל זיהוי וניהול עשבים משולב באמצעות מודול CBAM, מבנה BiFPN ואלגוריתם אינטרפולציה ביליניארית. שו וחב'. (2023) הציגה גישה חדשה המשלבת מדדי צבע גלויים עם שיטת פילוח מופע המבוססת על ארכיטקטורת מקודד-מפענח, המתמודדת ביעילות עם האתגר של זיהוי ופילוח מדויק של עשבים שוטים בין גידולי סויה נטועים בצפיפות. ליאו וחב'. (2024) הציע מודל חדש של Strip Convolutional Network (SC-Net), שהשיג ציוני MIOU של 87.48% ו-89.00% על שתילי אורז מותאמים אישית ומערכי נתונים חקלאיים ציבוריים, המדגימים דיוק ויציבות גבוהים. רוני וחב'. (2024) העריך את הביצועים של SMA בהערכת כיסוי עשבים בשלבי צמיחה שונים וכן ברזולוציה ספקטרלית ומרחבית. Rai ו-Sun (2024) פיתחו ארכיטקטורת למידה עמוקה-יחידה המסוגלת הן ללוקליזציה של תיבה תוחמת והן לפילוח מופעים ברמת הפיקסלים-של עשבים שוטים בתמונות חישה מרחוק שנרכשו במל"ט.
לסיכום, המחקר הנוכחי מתמקד בעיקר בהבחנה בין גידולים לעשבים שוטים. עם זאת, עבור ניכוש בלייזר בשדות תותים, חיוני לא רק לזהות עשבים שוטים אלא גם לזהות צינורות השקיה בטפטוף ולמקם קואורדינטות של נקודות צמיחת עשבים כדי לאפשר פעולות ניכוש מדויקות. ניצול צינורות השקיה בטפטוף לניווט בשטח מוסיף פונקציונליות למודל רשת יחיד, תוך אופטימיזציה של משאבי החישוב. עם זאת, הגדלים המשתנים של צמחי תות, צינורות מים דקים ותנאים מורכבים, כגון חפיפה בין שתילי תותים וצינורות, כמו גם עשבים מקובצים בצפיפות, מציבים אתגרים מהותיים למיצוי וללמוד מדויק של התכונות של עשבים שוטים, שתילי תותים, צינורות השקיה בשדה תותים ונקודות גידול עשבים.
בהתבסס על ההקשר לעיל, מחקר זה שואף: (1) להקים מערך נתונים המכסה תנאי צמיחה ושלבי גידול שונים עבור שדות תותים, צינורות השקיה בטפטוף, עשבים שוטים ונקודות גידול עשבים; (2) הצע את מודל DIN-LW-YOLO לאיתור מדויק של שדות תותים, צינורות השקיה בטפטוף, עשבים שוטים ונקודות גידול עשבים; (3) לפתח מערכת בקרה המבוססת על מודל DIN-LW-YOLO לניהול ניווט- בזמן אמת ומיקוד לייזר עבור רובוט העשבים; וכן (4) לבצע ניסויי שדה על ידי פריסת רובוט עישוב הלייזר בשדות תותים כדי להעריך את ביצועי עישוב הלייזר האוטונומי שלו בתנאי שדה אמיתיים.
