論文の概要: A Real-time Low-cost Artificial Intelligence System for Autonomous
Spraying in Palm Plantations
- arxiv url: http://arxiv.org/abs/2103.04132v1
- Date: Sat, 6 Mar 2021 15:05:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 16:14:53.540334
- Title: A Real-time Low-cost Artificial Intelligence System for Autonomous
Spraying in Palm Plantations
- Title（参考訳）: パームプランテーションにおける自律噴霧のためのリアルタイム低コスト人工知能システム
- Authors: Zhenwang Qin, Wensheng Wang, Karl-Heinz Dammer, Leifeng Guo and Zhen
Cao
- Abstract要約: 精密作物保護では、画像処理における(ターゲット指向)物体検出は、無人航空機(UAV、作物保護ドローン)を適切な場所にナビゲートし、農薬を適用するのに役立ちます。
本稿では,Ag-YOLO(Ag-YOLO)と呼ばれる軽深度ニューラルネットワーク(DNN)に基づく手法を提案する。
- 参考スコア（独自算出の注目度）: 1.6799377888527687
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In precision crop protection, (target-orientated) object detection in image
processing can help navigate Unmanned Aerial Vehicles (UAV, crop protection
drones) to the right place to apply the pesticide. Unnecessary application of
non-target areas could be avoided. Deep learning algorithms dominantly use in
modern computer vision tasks which require high computing time, memory
footprint, and power consumption. Based on the Edge Artificial Intelligence, we
investigate the main three paths that lead to dealing with this problem,
including hardware accelerators, efficient algorithms, and model compression.
Finally, we integrate them and propose a solution based on a light deep neural
network (DNN), called Ag-YOLO, which can make the crop protection UAV have the
ability to target detection and autonomous operation. This solution is
restricted in size, cost, flexible, fast, and energy-effective. The hardware is
only 18 grams in weight and 1.5 watts in energy consumption, and the developed
DNN model needs only 838 kilobytes of disc space. We tested the developed
hardware and software in comparison to the tiny version of the state-of-art
YOLOv3 framework, known as YOLOv3-Tiny to detect individual palm in a
plantation. An average F1 score of 0.9205 at the speed of 36.5 frames per
second (in comparison to similar accuracy at 18 frames per second and 8.66
megabytes of the YOLOv3-Tiny algorithm) was reached. This developed detection
system is easily plugged into any machines already purchased as long as the
machines have USB ports and run Linux Operating System.
- Abstract（参考訳）: 精密作物保護では、画像処理における(ターゲット指向)物体検出は、無人航空機(UAV、作物保護ドローン)を適切な場所にナビゲートし、農薬を適用するのに役立ちます。
非目標領域の不要な適用は回避できる。
ディープラーニングアルゴリズムは、コンピュータビジョンタスクにおいて、高い計算時間、メモリフットプリント、消費電力を必要とする。
エッジ人工知能(edge artificial intelligence)に基づいて,ハードウェアアクセラレーション,効率的なアルゴリズム,モデル圧縮など,この問題に対処するための主要な3つのパスを調査した。
最後に、それらを統合して、Ag-YOLOと呼ばれる軽いディープニューラルネットワーク(DNN)に基づくソリューションを提案します。
このソリューションはサイズ、コスト、柔軟性、高速、エネルギー効率が制限される。
ハードウェアは18グラムの重量と1.5ワットのエネルギー消費で、開発されたDNNモデルには838キロバイトのディスクスペースが必要です。
YOLOv3-Tinyとして知られる最先端のYOLOv3フレームワークの小さなバージョンと比較して,開発ハードウェアとソフトウェアをテストして,プランテーション中の個々の手のひらを検出する。
毎秒36.5フレームの速度で平均0.9205のF1スコア(YOLOv3-Tinyアルゴリズムの18フレームと8.66メガバイトの同様の精度と比較して)を達成した。
この開発された検出システムは、マシンがUSBポートを持ち、Linuxオペレーティングシステムを実行する限り、すでに購入した任意のマシンに簡単に接続されます。
関連論文リスト
- Real-Time Pedestrian Detection on IoT Edge Devices: A Lightweight Deep Learning Approach [1.4732811715354455]
本研究では,AIoT(Artificial Intelligence of Things)エッジデバイス上での軽量ディープラーニングモデルの実装について検討する。
You Only Look Once (YOLO)ベースのDLモデルは、リアルタイムな歩行者検出のためにデプロイされる。
シミュレーションの結果、最適化されたYOLOモデルは、高速な推論速度147ミリ秒、フレームレート2.3フレーム/秒、精度78%でリアルタイムな歩行者検出を実現できることが示された。
論文 参考訳（メタデータ） (2024-09-24T04:48:41Z) - A Deep Learning-based Pest Insect Monitoring System for Ultra-low Power Pocket-sized Drones [1.7945764007196348]
スマート農業と精密農業は、効率的で持続可能な農業のためのゲームチェンジャー技術である。
小型のパームサイズのドローンは、作物を検査する柔軟なスマートセンサーとして機能し、害虫の早期発生の兆候を探すことができる。
この研究は、2つの超低消費電力のSystem-on-Chipsを備えた新しい垂直統合ソリューションを提案する。
論文 参考訳（メタデータ） (2024-04-02T10:39:54Z) - Deep Neural Network Architecture Search for Accurate Visual Pose
Estimation aboard Nano-UAVs [69.19616451596342]
小型無人航空機(UAV)は、新興かつトレンドのトピックである。
我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。
その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
論文 参考訳（メタデータ） (2023-03-03T14:02:09Z) - ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。
我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。
ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-05-14T21:16:21Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Lightweight Multi-Drone Detection and 3D-Localization via YOLO [1.284647943889634]
本稿では,実時間複数ドローン検出と3次元位置推定を行う手法を提案し,評価する。
我々は最先端の小さなYOLOv4オブジェクト検出アルゴリズムとステレオ三角測量を用いる。
我々のコンピュータビジョンアプローチは、計算コストのかかるステレオマッチングアルゴリズムを不要にする。
論文 参考訳（メタデータ） (2022-02-18T09:41:23Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - CNN-based Omnidirectional Object Detection for HermesBot Autonomous
Delivery Robot with Preliminary Frame Classification [53.56290185900837]
予備的バイナリフレーム分類を用いた物体検出のためのニューラルネットワークの最適化アルゴリズムを提案する。
周囲に6台のローリングシャッターカメラを備えた自律移動ロボットを360度視野として実験装置として使用した。
論文 参考訳（メタデータ） (2021-10-22T15:05:37Z) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - Accelerating Deep Learning Applications in Space [0.0]
拘束デバイス上でのCNNを用いた物体検出の性能について検討する。
我々は、Single Shot MultiBox Detector (SSD)とリージョンベースのFully Convolutional Network (R-FCN)について詳しく検討する。
性能は、推測時間、メモリ消費、精度で測定される。
論文 参考訳（メタデータ） (2020-07-21T21:06:30Z) - Real-Time Apple Detection System Using Embedded Systems With Hardware
Accelerators: An Edge AI Application [1.3764085113103222]
提案した研究は、小さな物体を検出するためにYOLOv3-tinyアーキテクチャを適用した。
これは、安価で電力効率のよい組み込みハードウェアにカスタマイズされたモデルをデプロイできる可能性を示している。
提案した組込みソリューションは、無人の地上車両に展開して、リンゴの大きさを検出し、数え、測定することができる。
論文 参考訳（メタデータ） (2020-04-28T10:40:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。