Thermal Cut-off, Not Frequency Throttling: Duty-Cycle Scheduling and a Dataset-Integrity Audit for On-Farm Edge Disease Detection in Durian

基于视觉的病害检测正越来越多地部署于农业中的低成本边缘硬件上，然而在精选数据集上报告的准确率与田间实际表现可能存在显著差异，且宿主设备的热行为几乎从未被表征。本文报告了在树莓派5（Raspberry Pi 5）上部署榴莲（Durio zibethinus）病害检测系统的情况，并考察了决定其田间可靠性的三个因素。首先，一项数据集完整性审计结合了训练/验证边界上的精确（MD5）与感知哈希重复检测，以及逐类实例到图像的追踪，识别出早期阶段数据集中的训练/验证泄漏：一对字节完全相同的图像和117对近似重复图像，在基于来源的分组下归结为22个源组件，并追溯至先增强后分割的工作流程。在移除相关图像后的验证分区上重新评估显示，该泄漏使受影响类别在[email protected]上虚增了35.0%，并使总体[email protected]虚增了9.5%。其次，跨三个架构家族的十一次训练运行——包括一个基于Transformer、无锚框、参数量为其三倍的检测器——使两个类别的平均精度保持为零或接近零，而对验证集进行自助重采样（bootstrap resampling），应用于两个原始提交检查点，显示它们之间名义差异的93%源于单个验证实例。在无泄漏的源级分区上重新训练，使其中一个类别从0.000恢复至0.399，这与该零值源于验证样本特性而非类别本身属性相一致，并促使提出特征空间、标签空间与评估空间失败之间的候选三重区分。所有检测数据均在包含两个类别中分别含一个和两个实例的126幅图像验证分区上计算；它们并非一般检测性能的估计，且不存在独立的源级测试分区。第三，跨五种配置、相隔四周重复两次的占空比热表征显示，该平台上的操作性失效模式并非吞吐量损失而是保护性关机：连续推理在两轮中分别触发了99次和108次软件热切断，15秒睡眠间隔分别为41次和3次，而在测试条件下30秒间隔在两轮中均未记录到热切断，45秒则保留了更大的热裕度。节流本身仅造成中位推理延迟2.6%的损失。