Abstracto
Las malezas en los campos de fresas se reproducen rápidamente, privando a las plántulas de nutrientes y luz, aumentando la temperatura ambiental local y sirviendo como huéspedes intermediarios para plagas y enfermedades, acelerando su aparición y propagación. Para abordar el problema del control de malezas durante el cultivo de plántulas de fresa, este artículo diseña un robot de deshierbe láser autónomo para campos de fresas basado en DIN-LW-YOLO. En primer lugar, al establecer conjuntos de datos de campos de fresas en diversos entornos, proponemos DIN-LW-YOLO: un método de detección para la navegación por tuberías de riego por goteo y el desmalezado por láser, que puede detectar plántulas de fresa, malezas, tuberías de riego por goteo y puntos de crecimiento de malezas en tiempo-real. El modelo construye cabezas de predicción en mapas de características de alta-resolución de YOLOv8-pose. Se agrega un módulo de atención de EMA antes del cabezal de predicción y el módulo Spatial Pyramid Pooling Fast (SPPF) para capturar relaciones emparejadas a nivel de píxeles-. Este enfoque utiliza mejor información detallada de mapas de características poco profundas, lo que mejora la detección de objetivos pequeños. Además, se utilizan convoluciones deformables para capturar de forma adaptativa características objetivo, reemplazando la segunda convolución en la estructura de cuello de botella del módulo de fusión de características, mejorando la detección de objetivos alargados de tuberías de riego por goteo. A continuación, DIN-LW-YOLO se integra en el robot de deshierbe láser. El sistema de control determina la ruta de navegación en función del ancho de la tubería de riego por goteo para control de retroalimentación y posiciona el objetivo láser obteniendo las coordenadas de los puntos de crecimiento de malezas en relación con las plántulas de fresa y las tuberías de riego por goteo, logrando operaciones autónomas de deshierbe con láser. Los resultados de las pruebas muestran que el modelo DIN-LW-YOLO demuestra un sólido rendimiento de reconocimiento en datos de campos de fresas en diferentes entornos y etapas de crecimiento. La precisión promedio (mAP) del modelo en la detección de objetivos regionales y puntuales es del 88,5 % y 85,0 %, respectivamente, lo que mejora en un 1,9 % y 2,6 % en comparación con el modelo original, cumpliendo con los requisitos de operación en tiempo real del robot de deshierbe láser autónomo. Los resultados de las pruebas de campo indican tasas de control de malezas y daño a las plántulas del 92,6% y 1,2%, respectivamente, cumpliendo con los requisitos agronómicos para el deshierbe mecánico en campos de fresas. Los hallazgos contribuyen al diseño de equipos agrícolas inteligentes y promueven la aplicación de la visión artificial en la protección de cultivos de fresas.
Introducción
Las fresas son plantas herbáceas perennes de la familia de las Rosáceas, que normalmente se propagan vegetativamente a través de estolones. Las plantas de fresa de bajo-crecimiento son muy susceptibles a las malezas circundantes tanto en el vivero como en el campo. Las malezas vigorosas no sólo compiten por los nutrientes y la luz, aumentando la temperatura ambiental local, sino que también sirven como huéspedes intermediarios de plagas y enfermedades, acelerando su propagación. En consecuencia, el control de malezas afecta directamente el rendimiento y la calidad de las fresas. Los herbicidas pre- y post-emergentes que se aplican comúnmente tienen un impacto negativo en el rendimiento, el medio ambiente y la salud de los trabajadores (Huang et al., 2018). Rabier et al. (2017) señalaron que los desmalezadores mecánicos son menos efectivos que los herbicidas, ya que los desmalezadores convencionales (p. ej., azadas, cuchillas giratorias) no pueden atacar específicamente las malezas dentro de las hileras. Además, la alteración del suelo provocada por la labranza puede dañar los organismos beneficiosos del suelo, como las lombrices de tierra, y provocar erosión del suelo y lixiviación de nutrientes (Chatterjee y Lal, 2009). Las preocupaciones sobre los métodos actuales de control de malezas subrayan la necesidad de soluciones innovadoras, entre las cuales el control de malezas basado en láser-es prometedor (Tran et al., 2023).
En el campo del control de malezas basado en láser-, varios avances han impulsado constantemente el desarrollo de la tecnología. Heisel et al. (2001) fueron pioneros en el uso de rayos láser para cortar tallos de malezas para controlarlas. Posteriormente, Mathiassen et al. (2006) realizaron un-estudio en profundidad de los efectos del tratamiento con láser en la supresión de malezas y descubrieron que la exposición al láser a los meristemas apicales de las malezas reducía significativamente el crecimiento y era fatal para ciertas especies de malezas. Nadimi et al. (2009) diseñaron un dispositivo de prueba de desmalezado con láser para simular la selección dinámica de malezas. Posteriormente, Marx et al. (2012) demostraron experimentalmente que el control efectivo de malezas requiere una focalización precisa de los meristemas mediante CNC (Control Numérico por Computadora), mientras que Ge et al. (2013) y Xuelei et al. (2016) propusieron conceptos de brazos robóticos para el deshierbe láser. Arsa et al. (2023) introdujeron una red neuronal convolucional con una arquitectura codificador-decodificador para detectar puntos de crecimiento de malezas, destacando la importancia y la viabilidad de la detección de puntos-de crecimiento para una orientación láser precisa en esta tecnología. En conjunto, estos estudios han avanzado sistemáticamente la tecnología de control de malezas basada en láser-en varias dimensiones.
En los últimos años, para abordar los desafíos del desmalezado en los campos, los investigadores han empleado técnicas de aprendizaje profundo para la detección de malezas en los campos de cultivo. Gao et al. (2020) desarrollaron un método utilizando una red neuronal convolucional profunda (CNN) basada en YOLOv3-para distinguir la remolacha azucarera de las malas hierbas, mientras que Jabir et al. (2021) aplicaron cuatro arquitecturas de red-Detectron 2, EfficientDet, YOLO y Faster R-CNN-para diferenciar las orquídeas de las convolvulus, seleccionando la estructura más adecuada para la detección de malezas. Chen et al. (2022) mejoraron el modelo YOLOv4 incorporando el módulo SE como capa lógica en SPP y agregando una agrupación de importancia localizada, abordando la variación en los tamaños de los objetivos y mejorando significativamente la eficiencia y precisión del reconocimiento de malezas en campos de sésamo. Visentin y cols. (2023) demostraron un sistema de deshierbe robótico autónomo híbrido que logró un deshierbe inteligente y automatizado. Shao et al. (2023) abordaron problemas complejos en los arrozales-como el reflejo del agua, el fondo del suelo, el crecimiento superpuesto y la iluminación diversa-proponiendo un modelo de aprendizaje profundo mejorado, GTCBS-YOLOv5s, para identificar seis tipos de malezas. Fan et al. (2023) crearon un modelo integrado de detección y manejo de malezas utilizando el módulo CBAM, la estructura BiFPN y el algoritmo de interpolación bilineal. Xu et al. (2023) presentaron un nuevo enfoque que combina índices de color visibles con un método de segmentación de instancias basado en una arquitectura codificador-decodificador, abordando de manera efectiva el desafío de detectar y segmentar con precisión las malezas entre cultivos de soja densamente plantados. Liao et al. (2024) propusieron un nuevo modelo de Strip Convolutional Network (SC-Net), logrando puntuaciones mIoU de 87,48 % y 89,00 % en plántulas de arroz personalizadas y conjuntos de datos agrícolas públicos, lo que demuestra una alta precisión y estabilidad. Ronay et al. (2024) evaluaron el desempeño de SMA en la estimación de la cobertura de malezas en diferentes etapas de crecimiento, así como en la resolución espectral y espacial. Rai y Sun (2024) desarrollaron una arquitectura de aprendizaje profundo de una sola etapa capaz de localizar cuadros delimitadores y segmentar instancias de malezas a nivel de píxeles en imágenes de detección remota adquiridas por vehículos aéreos no tripulados.
En resumen, la investigación actual se centra principalmente en distinguir cultivos de malezas. Sin embargo, para el desmalezado con láser en campos de fresas, es esencial no solo identificar las malezas sino también detectar tuberías de riego por goteo y localizar las coordenadas de los puntos de crecimiento de las malezas para permitir operaciones de deshierbe precisas. El uso de tuberías de riego por goteo para la navegación en el campo agrega funcionalidad a un modelo de red único, optimizando los recursos computacionales. Sin embargo, los diferentes tamaños de las plantas de fresa, las delgadas tuberías de agua y las condiciones complejas, como la superposición entre las plántulas de fresa y las tuberías, así como las malezas densamente agrupadas, presentan desafíos sustanciales para extraer y aprender con precisión las características de las malezas, las plántulas de fresa, las tuberías de riego y los puntos de crecimiento de malezas en los campos de fresas.
Con base en el contexto anterior, este estudio tiene como objetivo: (1) establecer un conjunto de datos que cubra diversas condiciones y etapas de crecimiento para campos de fresas, tuberías de riego por goteo, malezas y puntos de crecimiento de malezas; (2) proponer el modelo DIN-LW-YOLO para detectar con precisión campos de fresas, tuberías de riego por goteo, malezas y puntos de crecimiento de malezas; (3) desarrollar un sistema de control basado en el modelo DIN-LW-YOLO para gestionar la navegación en tiempo real-y la orientación láser para el robot de desmalezado; y (4) realizar pruebas de campo mediante el despliegue del robot de deshierbe láser en campos de fresas para evaluar su rendimiento de deshierbe láser autónomo en condiciones reales de campo.
