边缘AI：资源受限环境下用于病害检测的轻量级视觉模型
计算机视觉与模式识别
2024-12-30 v1 人工智能
计算机与社会
摘要
本研究论文介绍了一种轻量级且高效的计算机视觉流程的开发，旨在利用最少资源帮助农民检测柑橘病害。所提出的系统集成了先进的目标检测、分类和分割模型，并针对边缘设备部署进行了优化，确保在资源受限的环境中具有功能性。研究评估了多种最先进模型的性能，重点关注其准确性、计算效率和泛化能力。显著发现包括：Vision Transformer在柑橘品种分类中达到96%的准确率，轻量级YOLOv8-S模型以极小的计算开销展现出卓越的目标检测性能。研究强调了现代深度学习架构在应对关键农业挑战方面的潜力，并指出了模型复杂度与实际应用价值之间的权衡。未来工作将探索扩展数据集、模型压缩技术和联邦学习，以增强这些系统在不同农业环境中的适用性，最终为更可持续的农业实践做出贡献。
关键词
引用
@article{arxiv.2412.18635,
title = {Edge-AI for Agriculture: Lightweight Vision Models for Disease Detection in Resource-Limited Settings},
author = {Harsh Joshi},
journal= {arXiv preprint arXiv:2412.18635},
year = {2024}
}