一种用于棕榈种植园自主喷洒的实时低成本人工智能系统
计算机视觉与模式识别
2021-03-09 v1 人工智能
摘要
在精准作物保护中，图像处理中的（目标导向）目标检测可帮助引导无人机（UAV，作物保护无人机）到达正确位置施药，从而避免对非目标区域的不必要喷洒。深度学习算法在现代计算机视觉任务中占主导地位，但其需要较高的计算时间、内存占用和功耗。基于边缘人工智能（Edge Artificial Intelligence），我们研究了解决该问题的三条主要路径，包括硬件加速器、高效算法和模型压缩。最终我们将它们集成，提出了一种基于轻量深度神经网络（DNN）名为 Ag-YOLO 的方案，使作物保护无人机具备目标检测与自主作业能力。该方案在体积、成本、灵活性、速度和能效上均受限且表现优良。硬件仅重 18 克、功耗 1.5 瓦，所开发的 DNN 模型仅需 838 千字节磁盘空间。我们在棕榈种植园中将所开发的硬件与软件同最先进 YOLOv3 框架的轻量版（即 YOLOv3-Tiny）进行对比测试以检测单株棕榈。在 36.5 帧每秒的速度下达到了 0.9205 的平均 F1 分数（相比之下 YOLOv3-Tiny 算法以 8.66 兆字节在 18 帧每秒下达到相近精度）。该检测系统易于插入任何已购机器，只要机器具备 USB 端口并运行 Linux 操作系统。
引用
@article{arxiv.2103.04132,
title = {A Real-time Low-cost Artificial Intelligence System for Autonomous Spraying in Palm Plantations},
author = {Zhenwang Qin and Wensheng Wang and Karl-Heinz Dammer and Leifeng Guo and Zhen Cao},
journal= {arXiv preprint arXiv:2103.04132},
year = {2021}
}
备注
19 pages,18 figures