《Smart Agricultural Technology》：Thermal Cut-off, Not Frequency Throttling: Duty-Cycle Scheduling and a Dataset-Integrity Audit for On-Farm Edge Disease Detection in Durian
编辑推荐：
基于视觉的病害检测正越来越多地部署于农业中的低成本边缘硬件上，然而在精选数据集上报告的准确率可能与现场行为存在显著差异，且宿主设备的热行为很少被表征。本文报告了在Raspberry Pi 5上部署榴莲（Durio zibethinus）病害检测系统的情况，并
基于视觉的病害检测正越来越多地部署于农业中的低成本边缘硬件上，然而在精选数据集上报告的准确率可能与现场行为存在显著差异，且宿主设备的热行为很少被表征。本文报告了在Raspberry Pi 5上部署榴莲（Durio zibethinus）病害检测系统的情况，并考察了决定其现场可靠性的三个因素。首先，一项数据集完整性审计结合了跨训练/验证边界的精确（MD5）与感知哈希重复检测以及逐类实例到图像追踪，在早期阶段数据集中识别出训练/验证泄漏：一对字节相同对和117对近重复对，在基于来源的分组下解析为22个源组件，并追溯到先增强后拆分的工作流。在移除相关图像后的验证分区上重新评估表明，该泄漏使受影响类别在AP@0.5上膨胀了35.0%，使总体mAP@0.5膨胀了9.5%。其次，跨三个架构家族的十一次训练运行——包括一个参数数量为其三倍的基于变换器的无锚检测器——使两个类别保持为零或接近零的平均精度，而对验证集进行自举重采样（应用于原始提交的两个检查点）表明，二者之间标称差异的93%源于单个验证实例。在源级无泄漏分区上的重新训练将其中一个类别从0.000恢复到0.399，这与该零值源于验证样本而非类别本身的属性一致，并促使提出特征空间、标签空间和评估空间失败之间的候选三重区分。所有检测指标均在包含两个类别中各一个和两个实例的126幅图像验证分区上计算；它们并非一般检测性能的估计值，且没有独立的源级测试分区可用。第三，一项跨五种配置、相隔四周重复进行的占空比热特性描述表明，该平台上的实际失效模式不是吞吐量损失而是保护性停机：连续推理在两轮中分别触发了99次和108次软件热切断，15秒睡眠间隔则为41次和3次，而在测试条件下30秒间隔在两轮中均未记录到热切断，45秒则保留了更大的热裕量。节流本身仅造成中位推理延迟的2.6%损失（419.0毫秒降至408.0毫秒），因此占空比调度所保护的是热裕量和连续运行，而非帧率。由于每次热切断会按固定间隔暂停推理，连续运行实际提供95.5%的覆盖率，而非其调度名义上承诺的100%：对于执行巡检的作业人员而言，183分钟运行中有8.2分钟未检查任何树，且没有任何时间指示。在片上系统域的直接功率测量表明，这种交换在另一方向也不是免费的：占空比将平均SoC功率降低了28.2%，但将每次推理的SoC能耗提高了39.4%，因为空闲基底功率在整个睡眠间隔内都在消耗。审计协议、失败分类法和基于热切断的热判据被陈述为可应用于其他资源受限农业部署的程序；其普适性尚未在此得到检验，因为证据仅为一个榴莲数据集、一台Raspberry Pi 5和一个软件栈。
## 论文解读
榴莲（Durio zibethinus）是东南亚重要的多年生经济作物，其树体是长期资本，病害如棕榈疫霉（Phytophthora palmivora）可造成幼苗枯萎、叶枯、根腐和茎干溃疡等多阶段损失。传统人工巡检劳动密集、主观性强，难以在丘陵密植的榴莲种植园中有效扩展。基于深度学习的视觉检测在PlantVillage等精选数据集上准确率高，但田间背景杂乱、叶片遮挡、光照变化以及边缘设备资源受限，导致报告准确率与实地行为严重偏离。现有研究很少同时考察数据集完整性、标签空间可靠性和宿主设备热行为。为此，研究人员在Raspberry Pi 5上部署了一套榴莲病害检测系统，围绕三个决定现场可靠性的因素开展研究，成果发表于《Smart Agricultural Technology》。
研究人员首先对数据集进行完整性审计，发现训练/验证泄漏并量化其代价；其次通过多架构重复训练、bootstrap重采样和源级重划分，区分了稀有类抑制的不同原因；最后对占空比调度进行热特性描述，并测量了能耗代价。主要结论是：泄漏使受影响类别AP@0.5膨胀35.0%，总体mAP@0.5膨胀9.5%；稀有类零分并不都源于模型容量不足，而可能来自标签空间、特征空间或评估空间失败；该平台真正的失效模式是保护性热切断而非频率节流；占空比以增加每次推理能耗为代价换取热裕量和连续监测。研究提供了可复用的审计协议、失败分类法和基于热切断的热设计判据，强调农业边缘部署应关注指标背后的
