[논문 리뷰] Precision Robotic Spot-Spraying: Reducing Herbicide Use and Enhancing Environmental Outcomes in Sugarcane

Mostafa Rahimi Azghadi, Alex Olsen외 6명|arXiv (Cornell University)|2024. 01. 25.

Plant Disease Management Techniques인용 수 8

한 줄 요약

이 논문은 딥러닝을 이용한 잡초 분류를 통해 현장 기반 AutoWeed 시스템을 사용하여 사탕수수의 점적 살포를 가능하게 하며, blanket spraying의 잡초 제거율의 97%를 달성하는 한편 제초제 사용량을 평균 35% 줄이고 관개 유출수의 품질을 개선했다.

ABSTRACT

Precise robotic weed control plays an essential role in precision agriculture. It can help significantly reduce the environmental impact of herbicides while reducing weed management costs for farmers. In this paper, we demonstrate that a custom-designed robotic spot spraying tool based on computer vision and deep learning can significantly reduce herbicide usage on sugarcane farms. We present results from field trials that compare robotic spot spraying against industry-standard broadcast spraying, by measuring the weed control efficacy, the reduction in herbicide usage, and the water quality improvements in irrigation runoff. The average results across 25 hectares of field trials show that spot spraying on sugarcane farms is 97\% as effective as broadcast spraying and reduces herbicide usage by 35\%, proportionally to the weed density. For specific trial strips with lower weed pressure, spot spraying reduced herbicide usage by up to 65\%. Water quality measurements of irrigation-induced runoff, three to six days after spraying, showed reductions in the mean concentration and mean load of herbicides of 39\% and 54\%, respectively, compared to broadcast spraying. These promising results reveal the capability of spot spraying technology to reduce herbicide usage on sugarcane farms without impacting weed control and potentially providing sustained water quality benefits.

연구 동기 및 목표

• 사탕수수 재배에서 제초제 유출 및 환경 영향 감소를 추진한다.
• 실시간으로 잡초와 작물을 구분하기 위해 컴퓨터 비전과 딥러닝을 사용하는 현장 기반의 개조형 점적 살포 시스템(AutoWeed)을 개발·테스트한다.
• 현장 시험에서 잡초 제거 효율, 제초제 사용 감소, 및 수질 결과를 정량화한다.
• 기존 분사 설비에 DL 기반 점적 살포 접근법을 적용하는 실용성을 평가한다.
• 현장별 데이터 수집 및 모델 훈련을 시연하여 현장 규모 채택을 지원한다.

제안 방법

• 기존 분사기에 개조하기 위한 카메라, NVIDIA Jetson 프로세서, 다노즐 스프레이 제어를 갖춘 AutoWeed 현장 유닛을 개발했다.
• Burdekin 지역에서 6개 시험에 걸친 총 1,447,456장의 현장 특정 잡초 이미지 데이터셋을 수집하고 CVAT를 사용해 대상 잡초로 주석을 달았다.
• 임베디드 장치에서 최대 45.7 FPS로 실시간 잡초 분류를 가능하게 하기 위해 각 시험에 대해 80/20 학습/검증 분할로 MobileNetV2 CNN 분류기를 훈련시켰다.
• 레이블링 속도와 추론 위치성을 균형 있게 하려 2x2 타일 주석, 1x2 타일 추론의 타일링 방식을 구현했다.
• 점적 살포와 blanket 살포를 비교하는 반복적 스트립 현장 시험을 수행하여 잡초 제거 효율, 제초제 사용, 수질을 평가했고 효율성 평가는 UAV 이미지로 수행했다.
• 살포 후 관개 이벤트 이후 HPLC/LCMS 방법으로 유출수의 제초제 농도와 부하를 분석했다.

실험 결과

연구 질문

• RQ1 DL 기반의 현장 기반 점적 살포 시스템이 사탕수수에서 blanket 살포에 비견될 만큼의 잡초 제거 효율을 달성할 수 있는가?
• RQ2 현장 조건에서 점적 살포와 blanket 살포를 비교할 때 제초제 사용의 상대적 감소량은 어느 정도인가?
• RQ3 점적 살포가 관개 유출수의 제초제 농도와 부하에 blanket 살포와 비교해 어떤 영향을 미치는가?
• RQ4 상업 현장에서 기존 분사기에 AutoWeed를 개조할 때의 실용적 배치 고려사항과 한계는 무엇인가?
• RQ5 잡초 밀도가 점적 살포 성능과 환경 이점에 어떤 영향을 미치는가?

주요 결과

시험	잡초 / 작물	제초제	블랭킷 살포 제거 달성률(%)	점적 살포 제거 성공률(%)	블랭킷 살포 제초제 사용량 (L/ha)	점적 살포 제초제 사용량 (L/ha)	점적 살포 제거 효율 (%)	점적 살포 제초제 감소율 (%)
1	Nutgrass / Ratoon sugarcane	Sempra	-	-	200	177	-	11
2	Nutgrass / Ratoon sugarcane	Sempra	97	95	198	81	98	59
3	Nutgrass / Ratoon sugarcane	Krismat	97	89	199	183	92	8
4	Grass weeds / Mung bean	Verdict	99	96	211	100	97	53
5	Broadleaf weeds / Mung bean	Blazer	100	100	211	178	100	16
6	Nutgrass / Plant sugarcane	Sempra	100	96	207	73	96	65
Average	Various	Various	99	95	204	132	97	35

• 점적 살포는 여섯 번의 시험에서 평균적으로 blanket 살포의 잡초 제거 효능의 97%를 달성했다.
• 평균 제초제 사용량은 점적 살포로 35% 감소했고 상대적 효력은 97%를 유지했다.
• 점적 살포의 유출수 평균 농도와 부하는 Blanket 대비 각각 평균 39%, 54% 감소했다.
• 시험에서 점적 살포에 따른 제초제 사용 감소가 8%에서 65%까지 개별적으로 나타났다(잡초 압력 및 시험 조건에 따라 다름).
• 분류 도전과제(가림, 노출)가 일부 시험에서 효능의 소폭 감소(평균 4% 히트레이트 감소)에 기여했다.
• 점적 살포 성능은 각 대지에서 측정된 잡초 밀도와 상관관계가 있어 현장 특성에 따른 제어 이점이 있음을 나타낸다.