面向 Edge 设备的资源受限无人机基于目标检测的针对性管理 weed 检测
计算机视觉与模式识别
2026-04-28 v1
摘要
weed 与作物竞争光照、水和养分，导致产量和作物品质下降。高效的 weed 检测对于针对性管理 (site-specific weed management, SSWM) 是必不可少的。虽然深度学习模型已在无人机基于 edge 系统中部署，但关于不同模型架构在现实资源约束下的性能仍缺乏系统性理解。为填补这一差距，本研究提出了一个面向部署的框架，用于在资源受限的 edge 平台上进行实时无人机 weed 检测。该框架集成了无人机数据获取、模型开发和 on-device 推理，重点在检测准确性和计算效率之间进行权衡。评估了一套多样化的 state-of-the-art object detection 模型，包括基于卷积的 YOLO 模型 (v8-v12) 和基于 transformer 的 RT-DETR 模型 (v1-v2)。在三个 edge 设备 (Jetson Orin Nano、Jetson AGX Xavier 和 Jetson AGX Orin) 上的实验显示，准确性和推理延迟之间存在明确的权衡。在模型和硬件配置之间。结果表明，高容量模型实现最高可达 86.9% 的 mAP50，但因延迟高而受限于实时部署。相比之下，轻量级模型实现 66%-71% 的 mAP50，推理延迟显著降低，使其能够实现实时性能。在所有模型中，RT-DETRv2-R50-M 在准确性 (79% mAP50) 和效率之间取得了竞争性平衡，YOLOv10n 提供了最快的推理速度。YOLOv11s 和 RT-DETRv2-R50-M 在准确性和速度之间提供了最佳平衡，使其成为实时无人机部署的强有力候选人。
引用
@article{arxiv.2604.23442,
title = {Resource-Constrained UAV-Based Weed Detection for Site-Specific Management on Edge Devices},
author = {Linyuan Wang and Haibo Yao and Te-Ming Tseng and Kelvin Betitame and Xin Sun and Hanbo Huang and Dong Chen},
journal= {arXiv preprint arXiv:2604.23442},
year = {2026}
}