悪天候下におけるエッジデバイス指向のトマト果実間引き・収穫モデル

科学分野:

• コンピュータビジョン
• ロボット工学
• 農業技術

背景:

• 正確なトマト検出は、自動収穫と間引きに不可欠です。
• 現在のシステムは、悪天候、サイズ推定、およびエッジデバイスの制限に苦労しています。

研究 の 目的:

• 多様で悪天候下でのトマト検出のための堅牢で効率的なAIモデルを開発すること。
• リアルタイム農業アプリケーションのエッジデバイス上の計算上の制約に対処すること。

主な方法:

• 物理的に根拠のある大気散乱モデルを使用して合成的に生成されたTIDAWデータセットを導入しました。
• 物理学を意識した散乱モジュール、拡張畳み込み、事前埋め込みWise-IoU損失、および圧縮フレームワークを備えたYOLOv8ベースのアーキテクチャであるEdge-YOLO-Tomatoを開発しました。
• ニューラルアーキテクチャ検索を使用してモデル圧縮を行い、マグニチュードプルーニングとレイヤーごとのプルーニングを組み合わせました。

主要な成果:

• Edge-YOLO-Tomatoは、TIDAWデータセットで93.3%のmAP50および74.3%のmAP50:95を達成しました。
• YOLOv8、YOLOv11、Faster R-CNN、RT-DETRなどの既存モデルを上回りました。
• 圧縮されたモデルは、精度低下を最小限に抑え、CPUでのレイテンシを50%削減した4.7373 MBのフットプリントを持っています。

結論:

• 開発されたシステムは、制御されていない環境でのリアルタイムで堅牢な果実検出を可能にします。
• データ合成と物理学を意識したモデリングを通じて、ビジョンベースの精密農業の新しいパラダイムを確立します。
• Edge-YOLO-Tomatoモデルは、ロボット農業の課題に対する実用的なソリューションを提供します。