Video Experimental Relacionado
Updated: Sep 9, 2025
14:44
Harmonic Radar Tags for Insect Tracking: Lightweight, Low-cost, and Accessible
Published on: May 13, 2025
1.1K
PKD-YOLOv8: Un marco colaborativo de poda y destilación de conocimientos para la detección de plagas ligeras de colza
Haifeng Yu1, Qingting Luo1, Wei Peng1
1College of Information and Intelligence, Hunan Agricultural University, Changsha 410128, China.
Sensors (Basel, Switzerland)
|August 28, 2025
Resumen
Este estudio introduce un modelo de IA ligero para detectar plagas de colza, reduciendo significativamente el tamaño y las necesidades computacionales al tiempo que mantiene una alta precisión. El modelo optimizado muestra un excelente rendimiento en tiempo real en los dispositivos de borde, ayudando a la protección de los cultivos.
Área de la Ciencia:
- Ciencias Agrícolas
- Visión por computadora
- Inteligencia artificial
Sus antecedentes:
- La colza es un cultivo mundial vital que enfrenta amenazas significativas por parte de las plagas.
- El control eficaz de las plagas es crucial para mantener la producción y el valor económico de la colza.
- Los métodos de detección existentes pueden carecer de eficiencia o de capacidades en tiempo real para su aplicación en el campo.
Objetivo del estudio:
- Desarrollar un modelo de aprendizaje profundo ligero y eficiente para la detección de plagas de colza.
- Para comprimir un modelo YOLOv8s para mejorar el rendimiento en los dispositivos de borde.
- Mejorar las capacidades de representación de características del modelo a través de una nueva estrategia de destilación.
Principales métodos:
- Se utilizó la poda estructurada basada en el análisis del modelo y la evaluación de la sensibilidad.
- Propuso una nueva estrategia de destilación de modelo ligero (LMGD) que integra la destilación de Logit y MGD.
- Desarrolló un conjunto de datos de plagas de colza dedicado (ACEFP) para la validación experimental.
Principales resultados:
- Se logró un 96,7% de mAP@0,5, una precisión del 93,2% y un recuerdo del 92,7% en el conjunto de datos de ACEFP.
- El tamaño del modelo comprimido de 11,2 MB a 4,4 MB (reducción del 60,7%) y los FLOP de 28,3 G a 10,01 G (reducción del 64,6%).
- Mantuvo una alta precisión con solo una reducción del 0,1% y logró 11,76 FPS en un Jetson Nano para inferencia en tiempo real.
Conclusiones:
- El método de aprendizaje colaborativo de compresión ligero propuesto reduce efectivamente el tamaño del modelo y la carga computacional.
- La estrategia de destilación LMGD mejora el rendimiento del modelo del estudiante sin pérdida significativa de precisión.
- El modelo optimizado demuestra excelentes capacidades de detección de plagas en tiempo real adecuadas para el despliegue en la agricultura.
