《Neural Networks》:Real-time soybean pest detection system integrating UAV and Jetson based on improved YOLO
编辑推荐:
害虫显著降低大豆产量和品质。为克服现有检测模型计算复杂度高、参数量过大及精度不足等局限,本文提出一种轻量化、高精度且鲁棒性强的便携式大豆害虫识别系统。首先,从无人机(Unmanned Aerial Vehicle, UAV)视角对原始近距数据集进行预处理以增强
害虫显著降低大豆产量和品质。为克服现有检测模型计算复杂度高、参数量过大及精度不足等局限,本文提出一种轻量化、高精度且鲁棒性强的便携式大豆害虫识别系统。首先,从无人机(Unmanned Aerial Vehicle, UAV)视角对原始近距数据集进行预处理以增强代表性。其次,利用三个模块优化骨干网络:采用分层权重解耦(Hierarchical Weight Decoupling, HWD)实现轻量化下采样;引入结合核2分解(Kernel-2 decomposition)与多通道注意力(Multi-Channel Attention, MCA)的C3K2-MCA模块以增强特征提取;采用结合挤压激励版本2(Squeeze-and-Excitation Version 2, SEV2)的快速空间金字塔池化(Spatial Pyramid Pooling-Fast, SPPF)以在降低复杂度的同时加强特征表征。归一化瓦瑟斯坦距离(Normalized Wasserstein Distance, NWD)损失函数进一步提升了目标检测的精度与鲁棒性。优化后的模型实现了96.2%的高精确率。当部署于NVIDIA Jetson设备时,该UAV–Jetson-YOLO系统可实现智能农业中快速、经济高效的害虫检测。
本研究聚焦于大豆田间害虫的智能识别与实时检测,针对当前农业智能化转型中面临的监测效率、模型精度与轻量化平衡以及系统集成度不足等关键挑战,开发了一套基于改进YOLO算法、无人机平台与边缘计算设备协同工作的便携式害虫检测系统。该研究由浙江师范大学物理与电子信息工程学院的Weixing Zhang、Minlan Jiang、Shupeng Gao、Weifeng Gao以及Mohammed A.A. Al-qaness共同完成,旨在推动深度学习技术在智慧农业实际场景中的落地应用。
在研究背景方面,大豆作为全球重要的经济作物,其生长周期中易遭受多种害虫侵袭,导致产量损失可达15%至20%。传统人工巡检方式效率低下且依赖经验,难以满足大规模农田的实时监测需求。尽管近年来基于深度学习的图像识别技术取得了显著进展,如ResNet-50-PCSA、AgriPest-YOLO及MD-YOLO等模型在特定场景下表现出色,但它们普遍面临两大瓶颈:一是高精度模型往往参数量巨大,无法部署于嵌入式设备;二是轻量化模型虽推理速度快,但在识别精度上存在短板。此外,现有解决方案缺乏与无人机或田间机器人的深度融合,导致数据采集、传输与推理环节割裂,难以在实际田间环境中实现真正的实时检测。
为解决上述问题,研究人员开展了系统性研究。在技术方法上,该研究首先构建了无人机视角的近距数据集并进行预处理。核心技术创新在于提出了名为HMSN-YOLO(HWD-MCA-SEV2-NWD based YOLO)的轻量级检测模型。该模型基于YOLOv11n架构,通过引入分层权重解耦(HWD)模块实现轻量化下采样,利用结合核2分解与多通道注意力(C3K2-MCA)的C3模块增强特征提取能力,并采用融合挤压激励版本2(SPPF-SEV2)模块以强化特征表征并降低复杂度。同时,模型引入了归一化瓦瑟斯坦距离(NWD)损失函数以提升对小目标的检测精度。硬件层面,系统集成DJI无人机用于图像采集,并通过RC Pro 2与HDMI采集卡将数据传输至NVIDIA Jetson Orin Nano设备进行实时推理。
研究结果部分,论文通过多个维度的实验验证了系统的有效性。在昆虫害虫识别模型HMSN-YOLO章节中,研究人员通过对YOLO系列模型的召回率、每秒帧数(FPS)和浮点运算次数(FLOPs)进行综合评估,确立了YOLOv11n作为基础架构的合理性。实验环境配置显示,模型在Windows 11操作系统、NVIDIA GeForce RTX 4060 Ti GPU环境下完成训练,确保了模型优化的可靠性。在整体系统架构章节中,基于Yahboom的Jetson Orin Nano Super SUB 4GB开发套件构建的硬件平台,成功实现了从数据采集、模型推理到结果可视化的端到端流程,证明了该系统在田间作业的可行性。
结论部分指出,本研究提出的HMSN-YOLO模型成功平衡了精度与计算效率,实现了从实验室模拟到田间实施的过渡。该系统在NVIDIA Jetson设备上实现了96.2%的高精确率,验证了UAV–Jetson架构在实时害虫检测中的实用价值。然而,研究人员也客观指出了当前研究的局限性,即无人机视角数据集仍主要依赖于近距图像增强技术,尚未完全覆盖真实的广域高空拍摄场景。尽管如此,该研究通过构建无人机与Jetson设备联动的一体化系统,为智慧农业提供了一种低成本、高效率且可现场部署的害虫管理技术方案,具有重要的实际应用意义。