1、原文
Remote Crop Sensing with IoT and AI on the Edge
https://ieeexplore.ieee.org/document/9454237
2、摘要
本文中的当前工作受到了边缘计算、机器学习、计算机视觉和物联网(IoT)的概念。这种协同作用用于监测苹果园的产量,更具体地用于农业领域苹果收获目的的检测和信息提取。上述概念利用了使用LoRaWAN(低功率广域网)协议的低功率信息中继装置,该协议旨在将电池供电的“事物”与区域或全球拓扑中的互联网连接起来。图像采集和数据在远离电网和现场的电池驱动边缘设备上进行处理。在配备适当摄像头并使用定制训练权重的单板计算机(SBC)中实施完整的YoloV4框架的提议似乎是一个可行的解决方案。对于复杂的密集环境,所提出的良好苹果检测方法的性能高达66.89%。这些初步结果揭示了这种利用人工智能和物联网技术的边缘计算方法的可行性。
3、正文
--------------------------------------------------------
--------------------------------------------------------------
--------------------------------------------------------
----------------------------------------------------------------
--------------------------------------------------------------
-------------------------------------------------------------------------
4、结论
在本文中,我们提出了边缘计算的可能性设备以及对象检测功能,在单板计算机中补充了人工智能和物联网的概念。关于农业领域,21世纪的一个可能结果是,开发人员可以将标准推得更高,并在降低功率要求后推出可以监控产量数据的解决方案。这项工作中的概念验证确实促进了这种情况,因为可以使用流行的计算机视觉算法使用深度学习对图像中的对象进行分类和定位。我们在这里进行了协同,通过使用LPWAN协议传输我们需要制作的有用信息,在苹果园中结合了YoloV4架构。LoRaWAN可以在我们的节点安装在远程位置时从我们的节点接收数据,而无需蜂窝覆盖或使用有线或无线互联网。如今,当地社区正在其大都市和郊区推广物联网网络。在这种情况下,我们在云中训练了一个混合苹果场景的数据集,并在RaspberryPi4B上执行识别任务。我们后来解析了该信息,并通过LoRapHat将其传输到云端。结果表明,在SBC中,这样的概念在推理时间相对较长的情况下是可行的,通过通知作物的有用信息,从字面上脱离网格进行操作。对于密集复杂环境中的好苹果,产生的结果与地面实况的关系在66.89%的范围内。该性能指标由“Metrics”第II(F)节中的“map”函数得出,如表III所示。给定的结果可以适应任何给定应用程序的性质。意思是如果我们需要对我们的作物进行粗略估计或接受更高置信度的示例。