FEGW-YOLO:一个功能复杂性导向的轻量级框架,用于实时多作物检测,在边缘设备上集成高级传感
Yaojiang Liu1, Hongjun Tian1, Yijie Yin1
1School of Engineering, Shanghai Ocean University, Shanghai 201306, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
FEGW-YOLO为边缘设备提供高效的实时对象检测,显著减少模型大小和计算,同时保持高精度的精密农业. 这种轻量级的框架可以在资源有限的自主系统中实现先进的多模式传感.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 边缘设备上的实时对象检测对于精准农业和自动化系统至关重要.
- 集成多模传感器 (RGB-D,热,超光谱) 对资源有限的硬件提出了重大计算挑战.
研究的目的:
- 引入FEGW-YOLO,一个轻量级的物体检测框架,旨在平衡边缘设备的效率和准确性.
- 为了实现精细的视觉感知和多模式传感器兼容性,用于精密农业应用.
主要方法:
- 开发了一个特征复杂性描述器 (FCD) 用于自适应的,分层的网络压缩.
- 整合功能工程驱动的幽灵卷积 (FEG-Conv) 用于参数的减少.
- 采用高效多尺度注意力 (EMA) 来抵消压缩引起的信息损失和智能IoU损失,以改善本地化.
主要成果:
- 与YOLO-Agri基线相比,FEGW-YOLO实现了95.1%的mAP@0.5,将模型参数降低了54.7%,GFLOP降低了53.5%.与YOLO-Agri基线相比,FEGW-YOLO实现了95.1%的mAP@0.5,将模型参数降低了54.7%,GFLOP降低了53.5%.
- 实时推断在NVIDIA Jetson Xavier上实现了38 FPS,功耗低 (12.3 W).
- 现场部署显示,收获成功率为87.3%,水果损坏率为2.1%.
结论:
- FEGW-YOLO通过指导式压缩和多模式集成来推进高效的农业传感.
- 该框架已被验证为在自主收获和精确监控中实际的边缘部署.
- 在资源有限的农业系统中,FEGW-YOLO弥合了研究和实际应用之间的差距.
