🌾 Diseño de Robot para Deshierbe de Arroz en Agricultura Inteligente: Hacia la Eliminación Mecánica Autónoma
El Diseño de Robot para Deshierbe de Arroz en Agricultura Inteligente, es critico para el control de malezas
El control de malezas es, sin lugar a dudas, una práctica agronómica crítica para maximizar el rendimiento del arroz, uno de los cultivos alimentarios más importantes del mundo. Sin embargo, aunque el control mecánico de malas hierbas es ampliamente utilizado por su alta tasa de control y su respeto por el medio ambiente, los métodos tradicionales requieren una operación manual intensiva. Por consiguiente, el aumento constante de los costes laborales ha convertido este método en un obstáculo significativo para muchos productores.
En este contexto, el Diseño de robot para deshierbe de arroz en agricultura inteligente emerge como una solución con un potencial de mercado significativo. El objetivo es lograr un deshierbe de crucero adaptativo que opere de forma autónoma. Esto requiere la integración de sistemas avanzados de visión artificial para que el robot pueda identificar y navegar entre las plántulas de arroz, al mismo tiempo que evita dañarlas.
I. Visión Artificial: El Cerebro del Deshierbe Autónomo 🤖
La navegación visual ha demostrado ser más robusta y adaptativa en los entornos agrícolas que los sistemas basados en GNSS o LiDAR, especialmente en los arrozales, que presentan desafíos únicos como la reflexión del agua y la luz intensa.
1.1. MW-YOLOv5s: Reconocimiento de Plántulas en Tiempo Real
El corazón del sistema de deshierbe es una red de aprendizaje profundo optimizada, denominada MW-YOLOv5s. Este modelo se basa en YOLOv5s, conocido por su equilibrio entre precisión y velocidad, esencial para el funcionamiento en tiempo real.
- Entrenamiento y Datos: Para asegurar un rendimiento robusto, se estableció un conjunto de datos de plántulas de arroz que abarca diversas condiciones ambientales y etapas de crecimiento.
- Mejoras de Arquitectura: El modelo incorpora dos optimizaciones clave para superar las limitaciones del YOLOv5s base en entornos complejos de arrozales:
- MobileViTv3: La estructura de la red backbone se combina con MobileViTv3. Esto mejora la capacidad del modelo para extraer características de las plántulas de arroz de manera eficiente.
- WioU_loss: El uso de GIoU_loss se reemplaza por WioU_loss. Esto aumenta significativamente la precisión y la velocidad del reconocimiento de plántulas de arroz.
1.2. Rendimiento Comprobado en Campo
Los resultados de las pruebas validaron la eficacia del MW-YOLOv5s en condiciones reales. El modelo exhibió un fuerte rendimiento de reconocimiento:
- Precisión: Alcanzó una precisión del 90.05% y un mAP del 92.32%.
- Velocidad: El rendimiento en tiempo real alcanzó los 19.51 FPS (fotogramas por segundo). Este resultado cumple con los requisitos para el funcionamiento en tiempo real de la máquina de deshierbar en el campo de arroz, permitiendo una toma de decisiones lo suficientemente rápida para la navegación.
II. Navegación y Control Adaptativo 🗺️
El reconocimiento preciso de las plántulas de arroz es un requisito previo, pero la extracción de la ruta de navegación y el control de la máquina son los que permiten la operación autónoma.
2.1. Extracción de la Línea de Navegación
La extracción de la ruta de navegación es un desafío, especialmente en campos con reflexiones y variación de cultivos.
- Procesamiento de Coordenadas: Una vez que MW-YOLOv5s identifica las plántulas, el sistema extrae las coordenadas del punto central del marco de detección para todas las plántulas en una hilera.
- Método de Mínimos Cuadrados: La línea de navegación de las plántulas de arroz se extrae utilizando el método de mínimos cuadrados. Esta técnica ajusta una línea de tendencia a través de los puntos centrales detectados, creando una ruta centralizada entre las hileras de cultivos. Esta línea se convierte en la guía de navegación deseada para el robot.
2.2. Sistema de Control de Retroalimentación
El sistema de control del robot de deshierbe opera de forma autónoma basándose en esta ruta de navegación extraída.
- Control de Crucero Adaptativo: El robot mantiene un «crucero» siguiendo la línea central de navegación. Para esto, utiliza un control de retroalimentación que compara la posición actual del robot con la línea de navegación deseada. Si el robot se desvía, el sistema ajusta el ángulo de dirección en tiempo real.
- Evitación de Daños: La precisión en el reconocimiento es fundamental para la evitación de daños. Esto se debe a que si el robot no puede identificar las hileras, podría desviar su trayectoria y dañar las plántulas.
III. Resultados Agronómicos y Perspectivas Futuras 🚀
Los resultados del experimento de campo demostraron que el robot de deshierbe no solo es tecnológicamente viable, sino que también cumple con los rigurosos requisitos agronómicos del control mecánico de malezas.
- Tasa de Control de Malezas: El sistema logró una alta tasa de control de malas hierbas del 82.4%. Esto es comparable a los métodos mecánicos convencionales.
- Tasa de Lesión de Plántulas: Lo más importante es que la tasa de lesión por plántulas fue de solo 2.8%. Esta baja tasa garantiza que el impacto negativo en el rendimiento del arroz sea mínimo, cumpliendo con las expectativas del ingeniero agroindustrial.
En conclusión, el Diseño de robot para deshierbe de arroz en agricultura inteligente es un avance crucial. La integración de la visión artificial optimizada MW-YOLOv5s con el control de crucero adaptativo resuelve el problema de la dependencia laboral. Además, promueve la práctica de un control de malezas respetuoso con el medio ambiente, contribuyendo al desarrollo de equipos agrícolas inteligentes y a la estabilidad de la producción de arroz a nivel mundial.