本文主要是介绍资源受限的智能陷阱:集成TinyML的果蝇监控框架,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
这篇论文的标题是《Resource-Constrained Intelligent Trap: Fruit Flies Surveillance Framework with TinyML Integration》,作者是Quan Minh Nguyen、Minh Nhat Lai、Vu Thanh Le和Hien Bich Vo。论文介绍了一种资源受限的智能陷阱系统,用于监测和控制果蝇,以保护农作物。以下是论文的主要内容概述:
摘要
- 研究提出了一种使用ESP-EYE微控制器和FOMO算法结合Edge Impulse AI平台的先进解决方案,以保护果实作物免受果蝇的威胁。
- 智能昆虫陷阱具备高级功能,并展现出卓越的性能,最大RAM使用量为2.4Mb,推理时间为5.694秒,基于IoU(交并比)阈值为0.5时,准确率达到96%。
- 该解决方案不仅确保了专业检测和计数能力,还及时向农民提供潜在威胁的通知,支持有针对性的农药使用,最小化广泛喷洒,并确保有效的作物保护。
- 陷阱可以无人干预下自动运行,具有自动更换果蝇污染的粘性陷阱的功能,这种可持续的方法适应于不同类型的害虫,提高了资源利用和生产力。
引言
- 论文讨论了果蝇对农作物的威胁,以及如何通过创新解决方案保护收成。
相关工作
- 论文回顾了电子陷阱(e-traps)作为有效监测系统的研究进展,并讨论了自动昆虫陷阱(AITs)的重要性。
系统概述
- 论文详细介绍了智能陷阱系统的硬件和软件组件,包括Lynfield陷阱、ESP-EYE开发板、ESP32微控制器、电源补充和机电系统。
本部分详细探讨了构成资源受限智能陷阱(RCIT)的基础元素的方法、流程和原理,包括其硬件和软件组件。
A. 硬件组件
RCIT的硬件组件主要包括以下几个部分:
-
机电系统:包括Lynfield陷阱、ESP-EYE相机系统、MG996S伺服电机(可360度旋转)、Petri dish分配器、信息素分配器和电气盒。电气盒内装有传感器模块、ESP32微控制器、两个A4988驱动器和CNC盾V3扩展电路。
-
Lynfield陷阱:设计成Lynfield陷阱形状的机械陷阱,包括一个不透明的白色云母塑料盒,侧面钻有三个孔。底部是一个可翻转的盖子,覆盖有粘蝇纸,内部放置一个浸有信息素的棉球。
-
ESP-EYE:由ESP32芯片驱动的ESP-EYE模块,具备200万像素相机、4M字节闪存和8M字节PSRAM。支持WiFi图像传输,确保无缝连接。使用ESP-IDF软件SDK和ESP-WHO AI框架,擅长面部检测和识别。
-
电源系统:系统利用两个20W - 12V太阳能电池板的太阳能,通过太阳能电压调节器电路将输入微调至8.4V供给UPS模块。ESP32微控制器通过一个UPS模块运行,该模块由四个3.7V锂电池供电。
-
Petri dish分配器:使用1毫升剂量的信息素,涂在粘蝇纸中央的一小片棉布上,理想条件下可覆盖330平方米的区域。
-
信息素分配器:使用轴向蠕动泵和NEMA17步进电机,以极高的精度提供1毫升剂量的信息素。
B. 软件组件
软件系统在数据收集中起着关键作用,包括捕获苍蝇图像、执行苍蝇识别和计数以及收集感应设备的数据:
-
FOMO MobileNetV2:FOMO(Faster Objects, More Objects)MobileNetV2是一种创新的机器学习算法,用于在资源受限的设备上进行对象检测。它基于MobileNetV2架构,优化了速度和内存效率。
-
用户仪表板:自动化系统监控捕蝇器,每20分钟捕获图像并量化苍蝇的存在。环境传感器持续收集周围条件的数据。这些综合信息被上传以供实时访问,并且当苍蝇数量超过预定阈值时,会通知用户。
系统特点
- RCIT系统通过结合图像处理技术、Wi-Fi连接协议和机械系统,提高了果蝇管理的效率、准确性和环境友好性。
- 系统使用ESP-EYE微控制器进行实时作物监测,利用FOMO MobileNetV2和先进的目标检测算法,在各种光照条件下识别果蝇。
- 机械系统在接收到ESP-EYE的信号后激活,主要目的是减少人为干预,从而延长设备在环境中的运行时间。
- 系统采用TinyML的优势,如低延迟、增强隐私、降低功耗和减少带宽使用,确保实时检测,通过在设备上保留数据来保护用户数据,延长电池寿命,并提高系统可靠性。
系统概述部分为读者提供了对RCIT系统的全面了解,包括其硬件设计、软件架构和如何将这些组件集成以实现有效的果蝇监测和管理。
硬件
- 描述了包括机械陷阱、相机系统、传感器模块、电源系统、诱捕剂分配器和信息素分配器在内的硬件组件。
软件
- 讨论了数据收集的重要性,软件系统的关键作用,包括捕获图像、执行果蝇识别和计数以及从感应设备收集数据。
实验和评估
- 论文描述了使用384张果蝇图像数据集进行的硬件和软件实验,评估了FOMO MobileNetV2模型的性能,包括检测速度和资源使用情况。
结论和展望
- 论文总结了RCIT系统的主要成就,并提出了未来的改进方向,包括优化图像处理算法、系统能效以及机械组件的设计。
参考文献
- 提供了一系列相关研究和文献,涵盖了果蝇管理、TinyML、AIoT、边缘计算等领域。
这篇论文提出了一个创新的智能陷阱系统,用于监测和控制果蝇,以保护农作物。通过使用TinyML和边缘计算技术,该系统在资源受限的环境中实现了高效、准确的果蝇检测,对农业和环境的可持续发展具有重要意义。
这篇关于资源受限的智能陷阱:集成TinyML的果蝇监控框架的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!