摘要

本文介绍了一种基于深度学习的害虫监测系统，专为超低功耗的掌上无人机设计。该系统通过硬件与软件的协同设计，实现了在极有限的内存和计算资源下，利用先进的深度学习模型进行害虫检测，特别是针对日本甲虫（Popillia japonica）。论文提出的解决方案包括使用双核STM32H74和多核GWT GAP9系统级芯片（SoCs），分别部署FOMO-MobileNetV2和SSDLite-MobileNetV3模型，实现了高精度的害虫检测，同时保持了低功耗和高效率。该技术的应用前景广阔，尤其在智能农业和精准农业领域，能够有效提升害虫管理的效率和可持续性。

原理

该论文的核心在于通过深度学习模型实现害虫的精确检测。FOMO-MobileNetV2和SSDLite-MobileNetV3模型经过精细调整和8位整数量化，以适应超低功耗SoCs的限制。这些模型利用图像数据进行训练，通过识别特定的视觉特征来区分害虫与非害虫。FOMO-MobileNetV2模型通过全卷积网络提取物体中心、尺寸和类别信息，而SSDLite-MobileNetV3则通过深度可分离卷积减少了计算量，同时保持了较高的检测精度。这两种模型的先进性体现在它们能够在极低的功耗和内存占用下，实现接近高端模型的检测性能。

流程

论文中的工作流程包括模型选择、数据预处理、模型训练、量化和部署。首先，从COCO数据集预训练的模型开始，使用自定义的害虫图像数据集进行进一步的微调。接着，对模型进行8位量化以减少内存和计算需求。最后，将量化后的模型部署到STM32H74和GAP9 SoCs上。例如，FOMO-MobileNetV2模型在STM32H74上实现了每秒16.1帧的检测速度，而SSDLite-MobileNetV3在GAP9上达到了每秒6.8帧的速度。这些模型在实际应用中，如掌上无人机或智能陷阱中，能够实时处理图像数据并进行害虫检测。

应用

该技术的应用前景主要集中在智能农业和精准农业领域。通过部署这种超低功耗的害虫检测系统，农民可以实时监控作物状况，及时发现并处理害虫问题，从而减少化学农药的使用，降低环境影响。此外，这种技术还可以扩展到其他需要实时图像处理的领域，如环境监测、野生动物保护等。随着技术的进一步发展和成本的降低，预计这种基于深度学习的害虫检测系统将在全球农业领域得到广泛应用。