相关实验视频
Updated: Jun 28, 2026

10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.4K
一种树冠细分方法,用于无人驾驶飞行器在现场可编程门阵列 (FPGA) 神经网络加速器上的遥感图像
Jiayi Ma1, Lingxiao Yan2, Baozhe Chen1
1College of Science, Beijing Forestry University, Beijing 100091, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究介绍了一种轻量级的神经网络,用于使用无人机 (UAV) 实时检测树冠. 开发的系统实现了85%的准确性,显著降低了森林监测的延迟和功耗.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 林业科学 林业科学
背景情况:
- 树冠检测对于使用遥感数据进行森林库存管理至关重要.
- 目前用于树冠细分的深度学习方法需要高性能计算,限制无人机的实时边缘处理.
研究的目的:
- 设计和实施轻量级神经网络 (U-Net-Light) 和硬件加速器,用于无人机的实时树冠检测.
- 在准确性,速度和功耗方面评估拟议系统的性能.
主要方法:
- 一个轻量级的神经网络,U-Net-Light,是基于U-Net和VGG16.
- 神经网络加速器的IP核心和SoC架构是在Xilinx ZYNQ 7100平台上实现的.
- 使用了针叶树 (Pinus tabuliformis) 和宽叶树 (Salix matsudana) 树冠的数据集.
主要成果:
- 在仅使用1.56 MB的参数对树冠图像进行分类和细分时,U-Net-Light实现了85%的准确性.
- 设计的SoC架构和IP核心为ZYNQ硬核提供了31倍的加速度,而高端CPU则提供了1.3倍的加速度.
- 该系统显示了低硬件资源开销 (<20%) 和低功耗 (2.127W).
结论:
- 轻量级的神经网络和硬件加速器使无人机上的高效实时树冠细分成为可能.
- 与传统方法相比,拟议的方法显著降低了延迟和系统资源消耗.
- 这项工作为自动化森林资源监测和精准农业提供了宝贵的见解.

