基于深度学习的超低功耗迷你无人机害虫监测系统
计算机视觉与模式识别
2024-07-02 v1 人工智能
机器人学
摘要
智能农业和精准农业代表着高效可持续农业业务的变革性技术。迷你掌心大小的无人机可作为灵活的智能传感器，对作物进行检查，以发现潜在害虫爆发的早期迹象。然而，要实现这一宏愿目标，需要进行硬件-软件协同设计，以开发准确的深度学习（DL）检测模型，同时将内存和计算需求控制在极紧的预算范围内，即几MB的芯片内存储和几百mW的功耗范围内。本工作提出了一种新型垂直集成解决方案，采用两种超低功耗系统单芯片（SoC），即双核STM32H74和多核GWT GAP9，运行两种状态优秀的DL模型，用于检测日本粉虫（Popillia japonica）。我们针对基于图像的检测任务对两种模型进行微调，进行8位整数量化，并在两种SoC上部署。在STM32H74上，我们部署了FOMO-MobileNetV2模型，实现了0.66的平均精度（mAP），运行于498mW功耗下达到16.1帧/秒。而在GAP9 SoC上，我们部署了更复杂的SSDLite-MobileNetV3，获得0.79的mAP评分，峰值功耗为33mW时达到6.8帧/秒。与要求在每次推理中使用14.9倍内存和300倍运算量的顶级RetinaNet-ResNet101-FPN全精度基线相比，我们的最佳模型仅下降15%的mAP，为具有轻量级和精确害虫检测能力的自主掌心大小无人机铺平了道路。
引用
@article{arxiv.2407.00815,
title = {A Deep Learning-based Pest Insect Monitoring System for Ultra-low Power Pocket-sized Drones},
author = {Luca Crupi and Luca Butera and Alberto Ferrante and Daniele Palossi},
journal= {arXiv preprint arXiv:2407.00815},
year = {2024}
}