A UAV-based real-time detection system of flowering nectar plants using a lightweight deep learning model

方法

改进YOLOv5s轻量模型，结合边缘计算部署加速策略，在山区实地检测。

发现

模型mAP达89.5，部署加速后吞吐192FPS、mAP89.2，较原模型精度提升3.1%、速度提升

机会点

可拓展至多蜜源植物花期实时监测与迁移路线决策，构建蜂农可用的边缘智能监测网络。

摘要 目的 及时了解转地养蜂场地的开花状态和盛花期对迁徙养蜂者做出知情管理决策至关重要。传统人工实地调查劳动强度大、耗时长，不适合频繁监测。当前基于无人机（UAV）的监测方法依赖离线处理，且需要专家进行复杂数据分析，难以在养蜂生产场景中推广应用。鉴于捕捉开花事件的时间窗口较短，尤其是花期较短的物种，亟需一种准确、快速的监测方案。本研究开发了一种基于无人机（UAV）的实时调查原型系统，利用边缘智能计算在复杂山地野外条件下检测盐肤木（Rhus chinensis）蜜源花。方法 提出了一种基于YOLOv5s的改进型高精度轻量化深度学习模型。在部署阶段采用加速策略对模型进行优化，以减少推理时间。结果 实验结果表明，所提出的花朵检测模型平均精度均值（mAP）达到89.5，推理速度为56帧/秒（FPS）。在边缘计算设备上部署模型时应用加速策略后，处理吞吐量达到192 FPS，mAP为89.2；与原始YOLOv5s相比，mAP提高3.1%，FPS提升约5.6倍。结论 上述结果表明，所提出的轻量化模型和加速策略有效平衡了高精度与高吞吐量机载图像处理。所开发的无人机边缘计算系统为未来高效监测蜜源开花状态提供了一种有前景的原型，在智慧养蜂领域具有潜在应用价值。