实时在设备上的杂草识别使用硬件高效的轻量级CNN CNN.
Yuxuan Zhang1,2, Yuchen Lu3, Luciano Sebastian Martinez-Rau2,4
1College of Intelligent Science and Engineering, Beijing University of Agriculture, Beijing, China.
Frontiers in plant science
|March 4, 2026
概括
一个新的轻量级深度学习模型,TinyWeedNet,可以实时在设备上识别杂草,用于自主农业. 这种节能解决方案非常适合低功率的农业设备,增强精密农业战略.
科学领域:
- 农业工程 农业工程
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 准确的杂草识别对于自主农业系统中可持续的作物管理至关重要.
- 现有的深度学习模型通常需要大量的计算资源 (例如GPU),限制它们在低功耗领域设备上部署.
研究的目的:
- 开发一个硬件效率高,轻量级的卷积神经网络 (CNN),用于实时,设备上的杂草识别.
- 为了使资源有限的精准农业平台能够部署先进的杂草识别能力.
主要方法:
- 提议TinyWeedNet,一个CNN集成多尺度的特征提取,深度可分离的反转剩余块,以及紧的频道注意力.
- 在DeepWeeds数据集上训练和测试模型.
- 在STM32H7微控制器上实现TinyWeedNet,使用TinyML工作流进行嵌入式执行.
主要成果:
- 仅用0.48万个参数实现了97.26%的分类准确度.
- 在微控制器上证明了90毫秒以下的推断时间和低能耗.
- TinyWeedNet在准确性,速度和能源效率之间取得了良好的平衡.
结论:
- TinyWeedNet提供了一个实用的解决方案,用于将实时,低功耗的杂草识别集成到野外机器人,无人机和传感器中.
- 这有助于在精准农业中实现更自主和更节能的杂草管理策略.
