論文の概要: Hardware-Aware YOLO Compression for Low-Power Edge AI on STM32U5 for Weeds Detection in Digital Agriculture

• arxiv url: http://arxiv.org/abs/2511.07990v1
• Date: Wed, 12 Nov 2025 01:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.584834
• Title: Hardware-Aware YOLO Compression for Low-Power Edge AI on STM32U5 for Weeds Detection in Digital Agriculture
• Title（参考訳）: デジタル農業における雑草検出のためのSTM32U5上での低消費電力エッジAIのためのハードウェア対応YOLO圧縮
• Authors: Charalampos S. Kouzinopoulos, Yuri Manna,
• Abstract要約: 本研究は、STM32U575ZIマイクロコントローラ上に展開されたYOLOv8nオブジェクト検出器に基づく雑草検出のための最適化された低消費電力エッジAIシステムを提案する。 雑草は世界中で作物の収穫を著しく減らし、持続可能な農業にとって大きな課題となっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weeds significantly reduce crop yields worldwide and pose major challenges to sustainable agriculture. Traditional weed management methods, primarily relying on chemical herbicides, risk environmental contamination and lead to the emergence of herbicide-resistant species. Precision weeding, leveraging computer vision and machine learning methods, offers a promising eco-friendly alternative but is often limited by reliance on high-power computational platforms. This work presents an optimized, low-power edge AI system for weeds detection based on the YOLOv8n object detector deployed on the STM32U575ZI microcontroller. Several compression techniques are applied to the detection model, including structured pruning, integer quantization and input image resolution scaling in order to meet strict hardware constraints. The model is trained and evaluated on the CropAndWeed dataset with 74 plant species, achieving a balanced trade-off between detection accuracy and efficiency. Our system supports real-time, in-situ weeds detection with a minimal energy consumption of 51.8mJ per inference, enabling scalable deployment in power-constrained agricultural environments.
• Abstract（参考訳）: 雑草は世界中で作物の収穫を著しく減らし、持続可能な農業にとって大きな課題となっている。 伝統的な雑草管理手法は、主に化学除草剤に依存し、環境汚染を危険にさらすとともに、除草剤耐性種の出現につながる。 コンピュータビジョンと機械学習の手法を活用する精密雑草は、有望なエコフレンドリーな代替手段を提供するが、高消費電力の計算プラットフォームに依存しているため、しばしば制限される。 本研究は、STM32U575ZIマイクロコントローラ上に展開されたYOLOv8nオブジェクト検出器に基づく雑草検出のための最適化された低消費電力エッジAIシステムを提案する。 厳密なハードウェア制約を満たすために、構造化プルーニング、整数量子化、入力画像解像度スケーリングなど、いくつかの圧縮技術が検出モデルに適用されている。 このモデルは、74種の植物を用いてCropAndWeedデータセットでトレーニングされ、評価され、検出精度と効率のバランスの取れたトレードオフを達成する。 本システムでは,エネルギー消費量を51.8mJと最小限に抑えた実生雑草のリアルタイム検出を可能とし,電力制約のある農業環境へのスケーラブルな展開を可能にした。

関連論文リスト

• DTGen: Generative Diffusion-Based Few-Shot Data Augmentation for Fine-Grained Dirty Tableware Recognition [37.947945188644624]
  汚いテーブルウェア認識のための数ショットデータ拡張方式DTGenを提案する。 非常に限られた実数ショット条件下では、DTGenは事実上無制限に高品質なサンプルを合成することができる。 DTGenは、自動テーブルウェアクリーニングと食品安全監視のための実行可能なデプロイメントパスを提供する。
  論文  参考訳（メタデータ） (2025-09-15T07:59:34Z)
• Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification [0.0]
  本研究では,重み付けと知識蒸留を統合した2段階モデル圧縮手法を提案する。 その結果、ResNet50sは、PandVillageとPaddyLeafのデータセットで99.55%と98.99%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-31T22:43:23Z)
• Mapping of Weed Management Methods in Orchards using Sentinel-2 and PlanetScope Data [36.205487938326556]
  我々は、果樹園における雑草管理手法を分類するために、地球観測データと機械学習(ML)を活用している。 その結果,果樹園における雑草管理マッピングの効率と精度を高めるため,ML駆動型リモートセンシングの可能性が示された。
  論文  参考訳（メタデータ） (2025-04-28T17:09:10Z)
• Towards Efficient and Intelligent Laser Weeding: Method and Dataset for Weed Stem Detection [51.65457287518379]
  本研究は,レーザー除草における雑草認識の実証的研究としては初めてである。 我々は,雑草の検出と雑草の局在を1つのエンドツーエンドシステムに統合した。 提案システムは,既存の雑草認識システムと比較して,雑草の精度を6.7%向上し,エネルギーコストを32.3%削減する。
  論文  参考訳（メタデータ） (2025-02-10T08:42:46Z)
• EcoWeedNet: A Lightweight and Automated Weed Detection Method for Sustainable Next-Generation Agricultural Consumer Electronics [7.900421718750201]
  EcoWeedNetは、重要な計算複雑性を導入することなく雑草検出性能を向上させる新しいモデルである。 結果は、EcoWeedNetの低消費電力の消費者向けハードウェアへのデプロイ可能性、エネルギー消費の低減、その結果炭素フットプリントの削減を示している。
  論文  参考訳（メタデータ） (2025-01-31T22:46:20Z)
• Deep-CNN based Robotic Multi-Class Under-Canopy Weed Control in Precision Farming [2.6085535710135654]
  リアルタイム多クラス雑草識別は雑草の種特異的な処理を可能にし、除草剤の使用量を著しく減少させる。 本稿では,5つのベンチマークCNNモデルを用いた分類性能のベースラインを提案する。 我々はMobileNetV2を、リアルタイム雑草検出のためのコンパクトな自律ロボットTextitSAMBotにデプロイする。
  論文  参考訳（メタデータ） (2021-12-28T03:51:55Z)
• Automated Pest Detection with DNN on the Edge for Precision Agriculture [0.0]
  本稿では,機械学習(ML)機能により強化された組込みシステムについて,果樹園内での害虫感染の連続検出を確実にする。 3つの異なるMLアルゴリズムがトレーニングされ、デプロイされ、プラットフォームの能力を強調している。 その結果,農夫の介入なしに無期限に害虫感染処理を自動化できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-01T10:17:48Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。