Präzisions-Landwirtschafts-Roboter-Sprühgerät mit Echtzeit-Tabak-Erkennung und Sprühsystem auf Basis von Deep Learning

Präzisionslandwirtschaftstechniken versuchen, entweder eine übermäßige oder unzureichende Anwendung von Agrochemikalien während der Pestizidanwendung zu verhindern. In den letzten Jahren ist es populär geworden, traditionelle landwirtschaftliche Praktiken mit Algorithmen der künstlichen Intelligenz zu kombinieren. Diese Forschung präsentiert eine Fallstudie zum gezielten Beleuchten mit variablen Raten unter Verwendung von Deep Learning zur Erkennung und Identifizierung von Tabakpflanzen in einem echten Tabakfeld. Ein umfangreicher Vergleich der Erkennungsleistung von sechs YOLO-basierten Modellen für die Tabakernte wurde auf der Grundlage von Experimenten in Tabakfeldern durchgeführt. Ein F1-Score von 87,2 % und eine Bildrate von 67 frames pro Sekunde wurden mit dem YOLOv5n-Modell erzielt, das auf realen Felddaten trainiert wurde. Darüber hinaus wurde eine neuartige störungsbasierte Druck- und Durchflussregelungsmethode eingeführt, um das Problem unerwünschter Druckschwankungen anzugehen, die typischerweise mit Bang-Bang-Regelungen verbunden sind. Die Qualität des Sprühens, die durch die Dämpfung dieser Störungen erreicht wurde, wurde sowohl qualitativ als auch quantitativ anhand von drei verschiedenen Sprühfallstudien bewertet: Breitstrahl- und selektives Sprühen bei 20 psi Druck; und variabel-ratensprühen bei einem Druck von 15-120 psi. Im Vergleich zum Breitstrahlsprühen haben die selektiven und variablen Sprühmethode eine Reduzierung der Agrochemikalien um bis zu 60 % erreicht.