论文信息

Deekshith R / Pooja M V

Zenodo (CERN European Organization for Nuclear Research)

论文解读

AI 辅助整理
方法
MobileNetV3-Large分类椰树冠层,RPLiDAR测株高,AirSi
发现
分类准确率92.5%-98.2%,推理62FPS,全田覆盖约18.4分钟。
机会点
尚缺真实Jetson硬件部署、热特性与田间验证,可延伸至多作物边缘实时诊断。

论文摘要

用于作物监测的无人机(UAV)系统通常遵循两步流程:无人机飞越整片农田,采集图像和传感器数据,返回基站,然后有时在数小时甚至数天后才将数据上传至远程服务器进行分析。通常等到农艺师获得结果时,针对病害、灌溉或施肥等问题的最佳处置时机已经过去。本文提出了一种边缘人工智能(Edge AI)无人机框架,旨在通过在飞行过程中于无人机自身实时执行机器学习分析、LiDAR数据处理、传感器融合和健康报告来消除这一延迟。一个MobileNetV3-Large网络在来自卡纳塔克邦三个农场的8,400张真实椰子棕榈航拍图像上进行了微调,并在一个包含1,260张图像的留出真实影像测试集上进行了评估,将作物冠层分类为健康、受胁迫或患病,各类别准确率分别为98.2%、92.5%和95.8%。另外,RPLiDAR传感器用于估算株高和冠层体积,相对于模拟真值的平均绝对误差为14.3 cm,这些结构指标与相机得出的分类置信度融合为单一的0–100健康指数。完整系统流水线——MobileNetV3推理、LiDAR处理、GPS引导的割草机式覆盖400棵虚拟椰子棕榈种植园、Flask后端、Three.js实时仪表板以及自动化PDF报告——在Microsoft AirSim仿真环境中通过五次任务进行了端到端验证,平均在18.4分钟内完成全田覆盖,Flask API响应时间为22 ms,4K热力图渲染时间为187 ms,PDF报告生成时间为3.1秒。推理吞吐量62 FPS是在仿真工作站的RTX 3060 GPU上使用TensorRT FP16引擎进行基准测试的,作为目标NVIDIA Jetson NX平台的代理;物理Jetson NX基准测试、热特性表征和田间验证仍有待完成。据我们所知,这是在一个单一无人机平台内集成机载实时推理、LiDAR-相机融合、自主导航、实时可视化和自动化报告的较为完整的框架之一,本文将其作为经仿真验证的概念验证提出,尚待真实硬件和真实田间确认。

论文原文与出版信息

Zenodo (CERN European Organization for Nuclear Research)
查看论文原文

继续探索