基于PLFYNet的边缘部署的检测系统用于Ginkgo biloba叶病.

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 精准农业需要对金科比洛巴病的精确监测.
• 现有的检测系统在复杂的环境中面临挑战,包括边缘设备的低准确性,效率和高计算成本.

研究的目的:

• 开发一种轻量级的深度学习模型,用于在资源有限的嵌入式设备上实时检测疾病.
• 解决目前农业环境中疾病检测系统的局限性.

主要方法:

• 为三个疾病类别创建了一个由7158张增强图像组成的多类数据集.
• 开发了一个优化的轻量级架构 (LCNet-FusionYOLO),结合了注意力机制,改进的检测头,高效的卷积和定制功能融合模块.
• 应用了基于层级的适应性大小修剪 (LAMP) 来创建最终的PLFYNet模型.

主要成果:

• 在PLFYNet模型中,只有3.0M参数实现了94.5%的mAP@0.5,超过YOLOv7-tiny的4.8%,参数只有一半.
• 在Jetson Orin Nano嵌入式平台上以50.5 FPS的速度进行实时推断.

结论:

• PLFYNet提供了一种高精度,计算效率高的解决方案,用于在金科比洛巴种植中检测疾病.
• 该模型提供了一个实用的基于边缘的监测系统,克服了复杂农业环境中的部署挑战,并支持可持续实践.