Raspberry Pi Lightweight Deep Learning Models Deployed for Corn Growth Stage Classification Using PhenoCam Images
Anne Joice · Humeera Tazeen · Talha Tufaique 等 8 人
用PhenoCam图像训练轻量深度学习模型，在树莓派上实时分类玉米8个生长阶段。
基于10个PhenoCam站点图像，开发4种轻量DL模型，在树莓派5上边缘推理。
ELiteCrop0表现最佳（CMDR=0.93），站点内精度0.90-0.93，但站点间泛化差（0
站点间泛化差是主要瓶颈，可研究跨站点迁移学习或域适应以提升模型鲁棒性。
该研究将轻量深度学习模型部署于树莓派实现玉米生育期实时识别，方法新颖、数据扎实，对精准农业边缘监测有参考价值。
识别作物生长阶段对于全面评估、促进及时精准的农艺管理至关重要。然而，传统的田间人工巡查劳动强度大、耗时且缺乏可扩展性。部署在便携式边缘计算设备上的数字田间图像与先进模型为实时作物监测和决策支持提供了替代方案。因此，本研究基于从10个PhenoCam（近地面[近端]遥感网络相机）站点采集的影像中观察到的不同冠层视觉外观模式，将标准的8个玉米生长阶段定义为8个类别。这些类别并不直接对应于标准的农艺营养生长和生殖生长阶段。在建模方面，开发了四种轻量级深度学习（DL）模型——ELiteCrop0、ELiteCrop1、ELiteCrop4和MobNetCropV2，并利用超级计算机（NDSU CCAST）在五种图像垂直裁剪水平（0–40%）下进行了评估。随后，优化后的模型被部署到单板Raspberry Pi 5计算机上进行边缘推理。模型训练占总CPU时间的大部分，超过97%，而测试时间为0.01–0.12分钟，支持实时应用。在各模型中，ELiteCrop0实现了最均衡的性能，混淆矩阵对角线比率（CMDR）为0.93，其次是ELiteCrop1（CMDR = 0.92）。总体而言，模型性能随垂直裁剪比例的增加而下降；因此，建议采用适度的图像裁剪（0–10%）以提高计算效率。使用超级计算机的分析得出站内（相同训练站点）准确率为0.90–0.93（Raspberry Pi：0.78–0.81），站间（未见测试站点）准确率为0.48–0.50（Raspberry Pi：0.41–0.43），表明模型泛化面临挑战。Raspberry Pi在68 °C下处理约1000张图像/分钟，在8小时工作日50%容量下，PhenoCam与Raspberry Pi的处理比为1:2500。总体而言，本研究为精准农业中的实时玉米生长阶段监测提供了一种可扩展且经济高效的解决方案，并可扩展至其他作物。