面向边缘设备的能效感知生物质组成预测

白三叶从大气中固定氮元素，使草-白三叶混合植被在减少外部氮肥施用方面具有高度吸引力。含有白三叶的作物还能促进更高的食物摄入量，从而导致更高的乳制品产量。然而，对作物的生物量检测目前仍 largely 未被实际应用，因为需要耗时的实验室分析。缺乏此信息，农民无法进行局部化的白三叶播种，也无法制定针对性的肥料决策。深度学习算法被提出以直接从田间图像估算干生物质组成。然而，深度学习的计算密集性限制了其在诸如智能手机等实用边缘设备上的部署。本文通过对现有深度学习解决方案进行滤波修剪，以降低其能源需求来填补这一差距。我们报告称，尽管修剪后的网络在针对性强、质量较高的草地图像上准确率良好，但在现实世界中因图像模糊或拍摄角度较差而难以泛化。我们通过使用方差衰减损失训练滤波修剪模型，使其能够预测自身预测的不确定性。当不确定性超过阈值时，我们会使用更精确的未修剪模型进行重新推理。这种混合方法允许我们在保持高准确率的同时降低能源消耗。我们在两套数据集上评估了该算法：GrassClover 数据集和爱尔兰白三叶数据集，使用 NVIDIA Jetson Nano 边缘设备。我们发现相较于最新方法，本文算法在能源消耗上平均降低 50%，仅损失 4% 的准确率。