AlertTrap：基于边缘端深度学习平台的远程昆虫诱捕监测系统目标检测研究
计算机视觉与模式识别
2025-04-14 v3
摘要
果蝇是对水果产量危害最严重的昆虫种类之一。在 AlertTrap 中，采用不同先进主干特征提取器（如 MobileNetV1 和 MobileNetV2）的 Single-Shot Multibox Detector (SSD) 架构似乎是实时检测问题的潜在解决方案。SSD-MobileNetV1 和 SSD-MobileNetV2 表现良好，在 IOU 阈值为 0.5 时的 AP 分别达到 0.957 和 1.0。You Only Look Once (YOLO) v4-tiny 以 0.5 阈值下 AP 为 1.0 优于 SSD 系列；然而其吞吐速度明显更慢，这表明 SSD 模型是实时实现的更好候选。我们还用模拟预期环境扰动的合成测试集测试了这些模型。YOLOv4-tiny 对这些扰动的容忍度优于 SSD 模型。Raspberry Pi 系统成功采集了环境数据与害虫计数，并通过 4G 以邮件发送。然而，在 Raspberry Pi 上实时运行完整 YOLO 版本不可行，表明未来研究需要更轻量的目标检测算法。在模型候选中，YOLOv4-tiny 总体表现最佳，SSD-MobileNetV2 也具可比性且有时更优，尤其在含合成扰动的场景中。SSD 模型在处理时间上出众，可实现实时高精度检测。
引用
@article{arxiv.2112.13341,
title = {AlertTrap: A study on object detection in remote insects trap monitoring system using on-the-edge deep learning platform},
author = {An D. Le and Duy A. Pham and Dong T. Pham and Hien B. Vo},
journal= {arXiv preprint arXiv:2112.13341},
year = {2025}
}