2. Umbrohu tuvastamine:<\/strong> Umbrohtude tuvastamine p\u00f5llukultuuride seas v\u00f5imaldab p\u00f5llumeestel pritsida ainult soovimatuid taimi, s\u00e4\u00e4stes seel\u00e4bi herbitsiidikulusid. N\u00e4iteks puuvillap\u00f5ldudel l\u00e4bi viidud uuringus kasutati YOLOv7-p\u00f5hise detektoriga mehitamata \u00f5hus\u00f5idukite pilte ja saavutati umbrohtude puuvillast eraldamisel umbes 83% t\u00e4psus. Siiski on visuaalselt sarnaste umbrohtude ja p\u00f5llukultuuride eristamine tihedate p\u00f5llupiltide puhul endiselt keeruline.<\/p>\n 3. Kahjurite ja haiguste avastamine:<\/strong> Mehitamata \u00f5hus\u00f5idukid suudavad haiguspuhanguid (nt rohutirtsud, putukad v\u00f5i seenhaigused) m\u00e4rgata varem kui jalgsi liikuvad inimesed. Droonid toetavad ka kahjuritega nakatunud piirkondade kaardistamist multispektraalse pildistamise abil, mis t\u00e4iustab ainult RGB-d. Kiire ja t\u00e4pne kahjurite tuvastamine on leviku t\u00f5kestamiseks \u00fclioluline.<\/p>\n 4. Saagikuse hindamine:<\/strong> Puuviljade, teraviljapeade v\u00f5i taimede loendamine \u00f5hust aitab ennustada saagikoguseid. Mudelid, mis on treenitud mehitamata \u00f5hus\u00f5idukite piltidelt \u00f5unu, meloneid v\u00f5i nisupeasid tuvastama, v\u00f5ivad saagikuse hindamist kiirendada. N\u00e4iteks on droonide piltidel olevaid n\u00e4rviv\u00f5rke kasutatud arbuusi- ja melonisaagi loendamiseks p\u00f5ldudel.<\/p>\n 5. M\u00f5\u00f5distamine ja kaardistamine:<\/strong> Droonid loovad ka p\u00f5llukaarte (topograafia, mullaerinevused), mis aitavad harimist planeerida. Kuigi see ei ole otseselt objektide tuvastamine, on see osa droonide seirest.<\/p>\n Need \u00fclesanded n\u00f5uavad sageli peaaegu reaalajas j\u00e4relduste tegemist: p\u00f5ldude kohal lendav droon v\u00f5ib vajada videokaadrite t\u00f6\u00f6tlemist lennult (mitu kaadrit sekundis), et juhtimisotsuseid (n\u00e4iteks k\u00f5rguse reguleerimine v\u00f5i pihusti aktiveerimine) saaks teha kohe. Teistel juhtudel v\u00f5ivad v\u00e4ikesed viivitused (sekundid) olla vastuv\u00f5etavad, kui andmed logitakse ja anal\u00fc\u00fcsitakse p\u00e4rast maandumist.<\/p>\n Oluline on see, et mehitamata \u00f5hus\u00f5idukite n\u00e4gemine peab hakkama saama keskkonna varieeruvusega: ere p\u00e4ikesevalgus, varjud, tuulest tingitud liikumise h\u00e4gustumine, kattuvate lehtede tekitatud varjamine v\u00f5i k\u00f5rguse ja nurga muutused. Objektide suurused on erinevad (l\u00e4hivaates olevad umbrohud vs kauged kahjurite kobarad), seega peavad detektorid hakkama saama mitmeskaalaliste tunnustega.<\/p>\n L\u00f5puks h\u00f5lmavad p\u00f5llumajanduslike mehitamata \u00f5hus\u00f5idukite missioonid rangeid kompromisse t\u00e4psuse, latentsuse ja energiatarbimise vahel. Umbrohtude v\u00f5i kahjurite m\u00e4rkamata j\u00e4tmise v\u00e4ltimiseks on vaja suurt tuvastust\u00e4psust, kuid v\u00e4ga s\u00fcgava v\u00f5rgu k\u00e4itamine v\u00f5ib aku kiiresti t\u00fchjendada. Seet\u00f5ttu peab tuvastusmudel olema kiire ja energiat\u00f5hus, olles samas \u00fclesande jaoks piisavalt t\u00e4pne. Need ranged n\u00f5uded toovad esile, miks p\u00f5llumajanduses kasutatavate mehitamata \u00f5hus\u00f5idukite jaoks on vaja spetsiaalset mudelidisaini.<\/p>\n Kerged objektidetektorid on n\u00e4rviv\u00f5rgud, mis on spetsiaalselt loodud t\u00f6\u00f6tama piiratud riistvaral. Need kasutavad sageli v\u00e4ikeseid selgroogv\u00f5rke (nagu MobileNet v\u00f5i ShuffleNet), v\u00e4hendatud kihtide laiust v\u00f5i lihtsustatud kaela\/pea disaini. N\u00e4iteks YOLO perekonna mudelid h\u00f5lmavad \u201cnano\u201d ja \u201cpisikesi\u201d versioone (nt YOLOv8n, YOLOv5s), millel on v\u00e4hem parameetreid ja mis vajavad v\u00e4hem operatsioone (FLOP-e).<\/p>\n Sellised detektorid suudavad t\u00f6\u00f6tada k\u00fcmnete kaadrite sekundis manustatud riistvaral, n\u00e4iteks NVIDIA Jetson Nano v\u00f5i Google Coral. N\u00e4iteks Ag-YOLO oli palmiistanduste jaoks kohandatud YOLO-p\u00f5hine detektor, mis t\u00f6\u00f6tas Intel Neural Compute Stick 2-l kiirusega 36,5 kaadrit sekundis (tarbides ainult 1,5 W) ja saavutas suure t\u00e4psuse (F1 = 0,9205). See mudel kasutas umbes 12 korda v\u00e4hem parameetreid kui YOLOv3-Tiny, kahekordistades samal ajal oma kiirust.<\/p>\n Need n\u00e4ited n\u00e4itavad mudeli kujundamisel tehtavaid kompromisse: mudeli suuruse v\u00f5i keerukuse v\u00e4hendamine (nt v\u00e4hem kihte v\u00f5i kanaleid) kiirendab tavaliselt j\u00e4relduste tegemist ja v\u00e4hendab energiatarbimist, kuid v\u00f5ib v\u00e4hendada t\u00e4psust. Ag-YOLO ohverdas kiiruse ja efektiivsuse suurendamiseks osa v\u00f5imsusest, s\u00e4ilitades siiski oma \u00fclesandes k\u00f5rge F1 skoori 0,92.<\/p>\n Samamoodi v\u00f5rreldi kolme YOLOv7 varianti umbrohu tuvastamise osas: t\u00e4ielik YOLOv7 saavutas t\u00e4psuse 83%, samas kui v\u00e4iksem YOLOv7-w6 variant saavutas t\u00e4psuse 63%-ni. See illustreerib \u00fcldiste kergete detektorite piirangut: \u00fche keskkonna v\u00f5i objektit\u00fc\u00fcbi jaoks h\u00e4\u00e4lestatud mudelid v\u00f5ivad teises keskkonnas v\u00f5i objektit\u00fc\u00fcbis kehvemini toimida. Kiiruse osas kitsendatud detektor v\u00f5ib m\u00f6\u00f6da vaadata peentest vihjetest (nt v\u00e4ikesed v\u00f5i kamuflaa\u017eitud umbrohud), mis kahjustab vastupidavust erinevates tingimustes.<\/p>\n P\u00f5llumajanduses ei pruugi need \u00fcldised kerged v\u00f5rgud olla optimaalsed ilma edasise kohandamiseta. N\u00e4iteks ei pruugi tavaliste andmekogumite p\u00f5hjal eelnevalt treenitud YOLOv7 mudel p\u00f5llukultuuride kujutiste unikaalsete tekstuuride ja skaaladega ideaalselt toime tulla. Seega on vaja mudeli arhitektuuri \u00fclesande- ja platvormip\u00f5hist optimeerimist. Iga uue droonit\u00fc\u00fcbi v\u00f5i p\u00f5llukultuuri sordi k\u00e4sitsi h\u00e4\u00e4lestamine (kihtide, filtrite jms muutmine) on t\u00f6\u00f6mahukas. See motiveerib automatiseeritud meetodeid \u2013 n\u00e4iteks juurutamist arvestavaid NAS-e \u2013, et leida antud mehitamata \u00f5hus\u00f5iduki platvormi ja p\u00f5llumajandusliku rakenduse jaoks parim tasakaal suuruse, t\u00e4psuse ja t\u00f6\u00f6kindluse vahel.<\/p>\n Neuraalv\u00f5rgu arhitektuuri otsing (NAS) on automatiseeritud meetod n\u00e4rviv\u00f5rgu arhitektuuride kujundamiseks. Kihtide, filtrite ja \u00fchenduste arvu k\u00e4sitsi m\u00e4\u00e4ramise asemel kasutab NAS algoritme (tugevdus\u00f5pe, evolutsioonimeetodid v\u00f5i gradiendip\u00f5hine otsing), et uurida v\u00f5imalike disainide ruumi ja leida need, mis optimeerivad valitud eesm\u00e4rki (n\u00e4iteks t\u00e4psust).<\/p>\n NAS-i on juba rakendatud mobiilis\u00f5bralike v\u00f5rkude loomiseks. N\u00e4iteks Google'i MnasNet oli teedrajav \u201cplatvormteadlik\u201d NAS, mis lisas eesm\u00e4rgis otse reaalse seadme latentsuse. MnasNet m\u00f5\u00f5tis otsingu ajal iga kandidaatmudeli j\u00e4reldamisaega Google Pixeli telefonis ja tasakaalustas t\u00e4psuse selle m\u00f5\u00f5detud latentsusega. Tulemuseks oli CNN-ide perekond, mis olid mobiilse riistvara puhul nii kiired kui ka t\u00e4psed, edestades k\u00e4sitsi loodud MobileNetsi ja NASNeti mudeleid ImageNetis.<\/p>\n Siiski keskenduvad \u00fcldised NAS-l\u00e4henemisviisid, nagu MnasNet, \u00fcldistele n\u00e4gemis\u00fclesannetele (ImageNeti klassifikatsioon v\u00f5i COCO tuvastamine) ja \u00fcldisele riistvarale (nt mobiiltelefonid). Mehitamata \u00f5hus\u00f5idukite saagi j\u00e4lgimise puhul on probleem spetsialiseeritum. Me tahame detektoreid, mis on optimeeritud konkreetsete objektiklasside (taimed, umbrohud, kahjurid) jaoks ja kohandatud mehitamata \u00f5hus\u00f5iduki andurite ja lennuprofiiliga. Standardne NAS, mis optimeerib ainult t\u00e4psuse v\u00f5i \u00fcldise latentsuse jaoks, v\u00f5ib t\u00e4helepanuta j\u00e4tta sellised n\u00fcansid nagu v\u00e4ikeste objektide tuvastamine v\u00f5i energiapiirangud.<\/p>\n Samuti v\u00f5ivad traditsioonilised NAS-meetodid olla arvutuslikult v\u00e4ga kallid (sageli n\u00f5uavad need suurtel GPU-klastritel p\u00e4evi), mis pole p\u00f5llumajandusteadlaste jaoks alati praktiline. Seet\u00f5ttu on mehitamata \u00f5hus\u00f5idukite n\u00e4gemise jaoks vaja \u00fclesandespetsiifilisi NAS-raamistikke. Need peavad sisaldama mehitamata \u00f5hus\u00f5idukite jaoks olulisi kriteeriume ja olema v\u00f5imalikult t\u00f5husad.<\/p>\n K\u00f5igil juhtudel on piirangute teadvustamine kriitilise t\u00e4htsusega: NAS peab olema teadlik sihtseadme piirangutest (sarnaselt MnasNetiga) ja lennu ajal toimuvate mehitamata \u00f5hus\u00f5idukite \u00fclesannete reaalajas n\u00f5udmistest. Kui otsing on liiga aeglane v\u00f5i ignoreerib energiatarbimist, ei pruugi saadud mudel tegelikult v\u00e4litingimustes h\u00e4sti t\u00f6\u00f6tada.<\/p>\n Praktikas lisaks mehitamata \u00f5hus\u00f5idukite n\u00e4gemise NAS riistvara latentsuse ja energia otse otsingum\u00f5\u00f5dikusse. N\u00e4iteks saaks m\u00f5\u00f5ta kandidaadidetektori kaadrisagedust tegeliku drooniarvuti (n\u00e4iteks NVIDIA Jetson) peal ja kasutada seda skoorina. See erineb lihtsate puhverserverite, n\u00e4iteks FLOP-ide kasutamisest, mis ei j\u00e4\u00e4dvusta reaalset kiirust.<\/p>\n Nii toimides saab NAS avastada arhitektuure, mis seadme v\u00f5imalusi k\u00f5ige paremini \u00e4ra kasutavad. Kokkuv\u00f5ttes pakub NAS v\u00f5imalust mehitamata \u00f5hus\u00f5idukite detektorite automaatseks kujundamiseks, kuid seda tuleb kohandada, et arvestada mehitamata \u00f5hus\u00f5idukite erip\u00e4raste \u00fclesannete ja efektiivsusn\u00f5uetega.<\/p>\n Juurutusteadlik NAS laiendab riistvarateadlikku NAS-i, lisades disainiprotsessi juurutamise konteksti ja keskkonnapiirangud. Teisis\u00f5nu, see arvestab lisaks drooni riistvarale (protsessori\/graafikaprotsessori kiirus, m\u00e4lupiirangud, energiaeelarve) ka sellega, millega mehitamata \u00f5hus\u00f5iduk tegelikult v\u00e4ljas kokku puutub. See t\u00e4hendab selges\u00f5nalist optimeerimist selliste n\u00e4itajate jaoks nagu sihtseadme latentsusaeg, energiatarve ja m\u00e4lukasutus, p\u00fc\u00fcdes samal ajal saavutada suurt tuvastust\u00e4psust.<\/p>\n N\u00e4iteks NAS-i ajal saaks iga kandidaatmudeli paigutada mehitamata \u00f5hus\u00f5iduki k\u00fclge kinnitatud Jetson Nanole ja salvestada selle reaalse j\u00e4reldusaja ja energiatarbimise. See empiiriline tagasiside aitab suunata otsinguid mudelite poole, mis vastavad t\u00f5eliselt juurutamiskriteeriumidele.<\/p>\n Riistvarap\u00f5hine NAS (nagu MnasNet) keskendub seadme m\u00f5\u00f5dikutele, samas kui juurutusp\u00f5hine NAS l\u00e4heb kaugemale: see v\u00f5ib arvestada andurite sisendomadustega (nt pildi eraldusv\u00f5ime, multispektraalsed kanalid) ja rakenduse latentsusaegade sihtm\u00e4rkidega (vajalik kaadrisagedus sekundis). See v\u00f5ib isegi lisada lennupiiranguid, n\u00e4iteks maksimaalselt lubatud m\u00e4lumahtu, v\u00f5i lisada hindamisi simuleeritud tuulev\u00e4rina v\u00f5i liikumise h\u00e4gususe korral.<\/p>\n Kasutustundlik NAS v\u00f5ib karistada arhitektuure, mis \u00fcletavad n\u00e4iteks 5W energiatarvet v\u00f5i vajavad rohkem m\u00e4lu, kui droonil endal on. Nii tehes kaldub otsing loomulikult mehitamata \u00f5hus\u00f5iduki v\u00e4lit\u00f6\u00f6deks m\u00f5eldud praktiliste mudelite poole. Sisuliselt seisneb kasutustundlik NAS mudeli kujundamise ja reaalse kasutamise vahelise ahela sulgemises. Selle asemel, et valida arhitektuur eraldi ja loota, et see t\u00f6\u00f6tab, h\u00f5lmab see otsingu k\u00e4igus s\u00fcstemaatiliselt reaalsete seadmete testimist.<\/p>\n N\u00e4iteks Kerec jt (2026) kasutasid sellist raamistikku mehitamata \u00f5hus\u00f5iduki detektori otsimiseks: nad ehitasid YOLOv8n baasjoonele, kuid kaasasid otsingusse Jetson Nano latentsuse ja energia. Saadud mudelil oli 37% v\u00e4hem GFLOP-e ja 61% v\u00e4hem parameetreid kui YOLOv8n-il, kusjuures mAP langus oli vaid 1,96%. See n\u00e4itab selgelt, kuidas juurutamise piirangud suunasid NAS-i palju kergema ja kiirema v\u00f5rgu poole.<\/p>\n L\u00e4henemisteadlik NAS saab oluliselt parandada mehitamata \u00f5hus\u00f5idukite saagi seiret, kohandades detektoreid p\u00f5llumajanduslikele tingimustele. N\u00e4iteks v\u00f5ib otsingu puhul eelistada arhitektuure, mis sobivad suurep\u00e4raselt v\u00e4ikeste, \u00f5hukeste objektide (nagu kitsad umbrohud v\u00f5i \u00f5hukesed maisiistikud) tuvastamiseks v\u00f5i taimede eristamiseks mulla taustast. See saab v\u00f5rgu s\u00fcgavust ja vastuv\u00f5tlikke v\u00e4lju kohandada t\u00fc\u00fcpilise lennuk\u00f5rguse j\u00e4rgi: madalal k\u00f5rgusel t\u00e4idavad objektid pildi ja v\u00f5ivad vajada peeneid detaile, samas kui suuremal k\u00f5rgusel peaks v\u00f5rk olema hea v\u00e4ikesemahulise tuvastamise jaoks. L\u00e4henemisteadlik NAS saab need n\u00f5uded oma otsinguruumi kodeerida.<\/p>\n Kiirus on v\u00e4litingimustes kriitilise t\u00e4htsusega. Kujutage ette, et droon tuvastab kahjurite puhangu; kui mudel on piisavalt kiire, et t\u00f6\u00f6delda videot n\u00e4iteks kiirusega 30 kaadrit sekundis, saab see pilooti hoiatada v\u00f5i k\u00e4ivitada viivitamatu reageerimisoperatsiooni. Testides t\u00f6\u00f6tas NAS-i abil disainitud mudel Jetson Nanol t\u00e4nu optimeeritud arhitektuurile 28% kiiremini kui tavaline YOLOv8n. See tarbis ONNX-i t\u00f6\u00f6ajal ka 18,5% v\u00e4hem energiat, mis t\u00e4hendab, et droon saab sama akuga kauem lennata. Need eelised muudavad lennu ajal otsuste tegemise teostatavamaks ja pikendavad missiooni kestust.<\/p>\n T\u00f6\u00f6kindlus on veel \u00fcks eelis. Kuna juurutamisega seotud NAS h\u00f5lmab seadme tegelikku hindamist, v\u00f5ib otsing h\u00f5lmata teste erinevates tingimustes. N\u00e4iteks v\u00f5ib see simuleerida h\u00e4maras valgustust v\u00f5i lisada treeningpilte koidikust ja videvikust, tagades, et l\u00f5plik detektor s\u00e4ilitab t\u00e4psuse reaalsete ilmastikutingimuste ja valgustuse muutuste korral. T\u00f6\u00f6 n\u00e4itas, et NAS-ist saadud detektor \u00fcldistusv\u00f5ime oli hea: nad testisid seda kahe erineva p\u00f5llukultuuri andmekogumiga (nisupead ja puuvillaistikud) ja leidsid m\u00f5lema puhul tugeva j\u00f5udluse.<\/p>\n See viitab sellele, et kasutuselev\u00f5tuga NAS aitas leida p\u00f5llumajanduses \u00fchiseid ja kasulikke funktsioone, parandades \u00fcldistatavust uutele p\u00f5ldudele. \u00dcldiselt aitab kasutuselev\u00f5tuga NAS tasakaalustada t\u00e4psust pikema lennuajaga. Arvutuskoormuse v\u00e4hendamise abil tarbivad droonid v\u00e4hem energiat ja suudavad akulaadimisega katta suurema ala, tuvastades samal ajal usaldusv\u00e4\u00e4rselt p\u00f5llukultuure ja kahjureid.<\/p>\n Juurutamist arvestava NAS-i oluline osa on otsinguruum \u2013 v\u00f5imalike v\u00f5rgudisainide kogum, mida see arvestab. Mehitamata \u00f5hus\u00f5idukite saagidetektorite puhul saab otsinguruumi koostada nii, et see h\u00f5lmaks selle valdkonna jaoks paljulubavaid arhitektuure. Peamised osad on j\u00e4rgmised:<\/p>\n 1. Selgroo disain:<\/strong> Selgroog on tunnuste ekstraheerija. Mehitamata \u00f5hus\u00f5idukite puhul v\u00f5ivad olla kaasatud kerged konvolutsioonilised ehitusplokid, n\u00e4iteks s\u00fcgavuti eraldatavad konvolutsioonid (nagu MobileNetis kasutatakse) v\u00f5i \u00fcmberp\u00f6\u00f6ratud j\u00e4\u00e4kplokid. P\u00f6\u00f6ratud j\u00e4\u00e4gid ja lineaarsed pudelikaelad (MobileNetV2 stiilis) on tuntud mobiilse efektiivsuse poolest. Otsinguruum v\u00f5iks v\u00f5imaldada iga ploki laiuse (kanalite arvu) ja s\u00fcgavuse varieerimist, et see vastaks mehitamata \u00f5hus\u00f5iduki arvutuseelarvele. Samuti v\u00f5idakse lisada t\u00e4helepanu- v\u00f5i trafomooduleid, kui mehitamata \u00f5hus\u00f5iduk saab neid v\u00e4ikese energiatarbega endale lubada.<\/p>\n 2. Kaela disain:<\/strong> Paljud objektidetektorid kasutavad mitmeskaalaliste tunnuste kombineerimiseks tunnusp\u00fcramiide (FPN) v\u00f5i teekonna agregatsiooniv\u00f5rke. Otsing v\u00f5iks uurida lihtsustatud FPN-e v\u00f5i kerget tunnuste agregatsiooni. N\u00e4iteks v\u00f5iksid variandid olla \u00fcheskaalalise pea ja mitmeskaalalise pea kasutamine. See ruum v\u00f5ib v\u00f5imaldada kihtide koondamist v\u00f5i \u00fchenduste vahelej\u00e4tmist, mis aitavad tuvastada erineva suurusega objekte.<\/p>\n 3. Pea kujundus:<\/strong> Tuvastuspea (klassifitseerimis- ja kastiregressioonikihid) v\u00f5ib samuti varieeruda. \u00dchtlaseid v\u00e4lju otsivate mehitamata \u00f5hus\u00f5idukite puhul v\u00f5ib piisata lihtsamast peast. Kuid v\u00e4ikeste umbrohtude tabamiseks v\u00f5ib otsing h\u00f5lmata t\u00e4iendavaid konvolutsioonikihte v\u00f5i erinevaid ankurdusskeeme.<\/p>\n 4. Kerged toimingud:<\/strong> Otsinguruum lubab otseselt ainult odavaid toiminguid. N\u00e4iteks valida 3\u00d73 konversiooni ja odavama 1\u00d73+3\u00d71 faktoriseeritud konversiooni vahel v\u00f5i lisada GhostNeti mooduleid. Samuti saab arvutusv\u00f5imsuse piiramiseks lubada v\u00e4ikeseid kerneli suurusi v\u00f5i v\u00e4hendatud m\u00f5\u00f5tmeid. K\u00f5iki neid valikuid juhib riistvara. Otsinguruum v\u00f5ib keelata mis tahes kihi konfiguratsiooni, mis \u00fcletab drooni m\u00e4lupiiri v\u00f5i eeldatavat energial\u00e4ve.<\/p>\n Selle otsinguruumi hoolika kujundamise abil suunatakse NAS-i protsessi t\u00f5husate ja efektiivsete arhitektuuride poole. Tulemuseks v\u00f5ib olla uudne plokkide kombinatsioon, mida standardmudelites ei arvestata. Parima leitud detektori puhul kasutati kohandatud plokkide valikuid, mis v\u00e4hendasid GFLOP-e 37% ja parameetreid 61% v\u00f5rra v\u00f5rreldes YOLOv8n-iga.<\/p>\n See oli v\u00f5imalik, kuna NAS suutis mehitamata \u00f5hus\u00f5idukite (UAV) piirangute raames kombineerida ja sobitada selgroo ja pea elemente. Kokkuv\u00f5ttes keskendutakse p\u00f5llumajanduslike UAV-detektorite otsinguvaldkonnas skaleeritavatele, kergetele ehitusplokkidele ja mitmeskaalalisele k\u00e4sitlemisele, k\u00f5ik pardal oleva riistvara piirides.<\/p>\n Juurutamist arvestav NAS peab \u017eongleerima mitme eesm\u00e4rgiga. Peamine eesm\u00e4rk on tavaliselt tuvastust\u00e4psus (nt keskmine t\u00e4psus, mAP), mida m\u00f5\u00f5detakse p\u00f5llukultuuride seire andmekogumitel. N\u00e4iteks on levinud m\u00f5\u00f5dik mAP@50 (t\u00e4psus 50% IOU juures). NAS-i jaoks optimeeritud mudelil oli mAP@50 langus vaid 1,96% v\u00f5rreldes baas-YOLOv8n-ga, mis on saavutatud edusammude kohta v\u00e4ga v\u00e4ike kaotus. Arvesse v\u00f5etakse ka t\u00e4psust ja meeldej\u00e4\u00e4vust (v\u00f5i F1-skoori) v\u00f5tmeklassides (umbrohud, p\u00f5llukultuurid).<\/p>\n Samal ajal tuleb optimeerida latentsusaega ja energiat. Latentsus on j\u00e4reldusaeg pildi kohta; sisseehitatud GPU puhul v\u00f5ib see olla 20\u201350 ms v\u00f5i rohkem. V\u00e4iksem latentsus t\u00e4hendab suuremat kaadrisagedust. Energiatarve (d\u017eaulides kaadri kohta) on lennu vastupidavuse jaoks \u00fclioluline. M\u00e4lu jalaj\u00e4lg (parameetrite arv, mudeli suurus) on veel \u00fcks piirang; mudelid peavad mahtuma seadme muutm\u00e4lusse. Seet\u00f5ttu seab NAS nende piirangute jaoks tavaliselt eesm\u00e4rgi v\u00f5i karistuse.<\/p>\n N\u00e4iteks v\u00f5idakse iga mudel, mis on teatud l\u00e4vest aeglasem v\u00f5i parameetri eelarvest suurem, madalamale reitingule viia. See muudab NAS-i sisuliselt mitme eesm\u00e4rgiga optimeerimis\u00fclesandeks: maksimeerida t\u00e4psust, minimeerides samal ajal latentsust, energiatarbimist ja suurust.<\/p>\n Praktikas saaks seda teha eesm\u00e4rkide kaalutud summa v\u00f5i rangete piirangute abil. M\u00f5ned meetodid annavad suure karistuse igale kandidaadile, kes \u00fcletab mehitamata \u00f5hus\u00f5iduki v\u00f5imsuspiiri. Teised arvutavad energiam\u00f5\u00f5diku otseselt v\u00e4lja: mudeleid testiti ONNX-i k\u00e4ituskeskkonnas, et m\u00f5\u00f5ta "energiat\u00f5husust" ja parim mudel oli +18,5% energiat\u00f5husam kui YOLOv8n. See oli \u00fcks otsinguid juhtivatest eesm\u00e4rkidest.<\/p>\n Leitud kompromisse saab visualiseerida Pareto piiril: \u00fches otsas \u00e4\u00e4rmiselt kiired v\u00e4ikesed mudelid madalama t\u00e4psusega; teises otsas suured ja t\u00e4psed mudelid, mis on drooni jaoks liiga aeglased v\u00f5i energiatarbekad. L\u00e4hetamistekstlik NAS p\u00fc\u00fcab leida sellel piiril optimaalse punkti, mis vastab tegelikele missiooniprioriteetidele (nt v\u00e4ike t\u00e4psuse kadu suure kiirenduse korral). Kokkuv\u00f5ttes peab NAS arvestama t\u00e4psusm\u00f5\u00f5dikutega (mAP, F1) ja j\u00e4relduspiirangutega (ms kaadri kohta, d\u017eaulid kaadri kohta, m\u00e4lu). See tasakaalustatud optimeerimine teeb mudeli mehitamata \u00f5hus\u00f5idukite kasutamiseks t\u00f5eliselt l\u00e4hetusvalmis.<\/p>\n Selleks, et NAS-i abil leitud detektorid h\u00e4sti t\u00f6\u00f6taksid, tuleb neid treenida ja testida realistlike p\u00f5llumajandusandmete peal. See t\u00e4hendab selliste andmekogumite kasutamist, mis j\u00e4\u00e4dvustavad reaalsete p\u00f5ldude varieeruvust: erinevad p\u00f5llukultuuride liigid, kasvufaasid, aastaajad, valgustingimused ja k\u00f5rgused. N\u00e4iteks ainult noorte maisiv\u00f5rsete piltide treenimine ei pruugi \u00fcldistada k\u00fcpsete nisupeadeni. P\u00f5lde esinduslikud andmekogumid tagavad, et mudel \u00f5pib tundma talus olulisi omadusi. Treeningu ajal saab droonide liikumise ja valgustuse j\u00e4ljendamiseks rakendada ka andmete t\u00e4iendamist (juhuslikud p\u00f5llukultuurid, heleduse muutused, liikumise h\u00e4gusus).<\/p>\n Hindamisel on oluline testida mudelit v\u00f5imalikult reaalsetes tingimustes. Simulatsioonit\u00f6\u00f6riistad v\u00f5ivad aidata (nt virtuaalse drooni lendamine 3D-v\u00e4ljade kohal), kuid reaalsed lennutestid on kuldstandard. Pardal v\u00f5rdlusanal\u00fc\u00fcs viiakse l\u00e4bi mudeli k\u00e4itamise teel tegeliku mehitamata \u00f5hus\u00f5iduki riistvaral. P\u00e4rast NAS-i paigutasid nad kandidaadi Jetson Nanole ja m\u00f5\u00f5tsid 28,1% v\u00f5rra kiiremat j\u00e4reldust (v\u00f5rreldes baasjoone YOLOv8n-ga) ja paremat energiatarbimist. Selline reaalse seadme tagasiside kinnitab, et otsingu tulemusel loodi mudel, mis vastab t\u00f5epoolest n\u00f5uetele.<\/p>\n \u00dcldistamine on samuti \u00fclioluline. Mudelit saab otsida ja treenida \u00fche p\u00f5llukultuuri (n\u00e4iteks nisu) p\u00f5hjal, kuid p\u00f5llumehed vajavad detektoreid, mis t\u00f6\u00f6tavad erinevatel p\u00f5ldudel. Uuring n\u00e4itas tugevat \u00fcldistamist erinevate p\u00f5llukultuuride vahel: \u00fche \u00fclesande jaoks treenitud NAS-ist tuletatud detektor toimis ilma \u00fcmber\u00f5petamiseta h\u00e4sti ka teise p\u00f5llukultuuri andmekogumi (puuvillaistikud) puhul. See viitab sellele, et juurutamist arvestav NAS suudab luua robustseid arhitektuure. Domeenivahetused (nt maisip\u00f5ldudelt viljapuuaedadesse kolimine) v\u00f5ivad aga vajada peenh\u00e4\u00e4lestamist v\u00f5i edasist otsingut. Soovitatav on ka aastaaegadevaheline testimine (suve- ja s\u00fcgispildid).<\/p>\n L\u00f5puks tuleks iga uut mudelit enne kasutuselev\u00f5ttu mehitamata \u00f5hus\u00f5iduki (UAV) platvormil v\u00f5rdlustestida. See h\u00f5lmab selle t\u00e4psuse ja kiiruse registreerimist droonidel, riistvara \u00fclekuumenemise v\u00e4ltimise tagamist ja energiatarbimise kontrollimist. Alles siis saavad p\u00f5llumehed seda missioonikriitilise seire jaoks usaldada. P\u00f5llumajandusliku koolituse ja range riistvara hindamise kombineerimise abil saadakse kasutuselev\u00f5tuga teadlikud NAS-id detektorid, mis pole mitte ainult teoreetiliselt t\u00f5husad, vaid ka v\u00e4litingimustes t\u00f5estatud.<\/p>\n Juurutusteadlikel NAS-idel on traditsiooniliste, k\u00e4sitsi disainitud mehitamata \u00f5hus\u00f5idukite mudelite ees mitmeid selgeid eeliseid:<\/p>\n 1. Paremad j\u00f5udluse kompromissid:<\/strong> NAS-i abil leitud mudelid pakuvad tavaliselt suuremaid t\u00e4psuse-kiiruse-energiat\u00f5hususe kombinatsioone. N\u00e4iteks parim mudel t\u00f6\u00f6tas Jetson Nanol 28% kiiremini ja kasutas 18,5% v\u00e4hem energiat kui k\u00e4sitsi valitud YOLOv8n baasmudel, kaotades samal ajal tuvastamise mAP-s vaid ~2%. Sellise tasakaalu k\u00e4sitsi saavutamine oleks v\u00e4ga keeruline.<\/p>\n 2. T\u00e4iustatud \u00fcldistus:<\/strong> NAS-i avastatud mudelid saavad uute tingimustega paremini kohaneda, kuna otsing saab h\u00f5lmata mitmekesiseid andmeid v\u00f5i eesm\u00e4rke. Automaatselt loodud detektor \u00fcldistas h\u00e4sti erinevaid p\u00f5llukultuuride t\u00fc\u00fcpe (nisu ja puuvill) ja valgustingimusi. See lai robustsus on \u00fclioluline, kui lennud satuvad ootamatutesse stseenidesse.<\/p>\n 3. V\u00e4iksem insenerit\u00f6\u00f6:<\/strong> NAS automatiseerib palju katse-eksituse meetodit. Kihtide suuruste k\u00e4sitsi muutmise ja paljude kandidaatide testimise asemel uurib juurutamisest teadlik NAS iteratiivselt valikuid ja leiab teile parima disaini. See s\u00e4\u00e4stab arendusaega ja oskusteavet, muutes detektorite v\u00e4rskendamise uute \u00fclesannete v\u00f5i riistvara jaoks lihtsamaks.<\/p>\n 4. Skaleeritavus:<\/strong> Kui NAS-raamistik on seadistatud, saab seda kasutada erinevate mehitamata \u00f5hus\u00f5idukite platvormide v\u00f5i missioonide jaoks. N\u00e4iteks v\u00f5ib sama juurutustundlik NAS otsida detektorit, mis on h\u00e4\u00e4lestatud erinevale kaamera eraldusv\u00f5imele v\u00f5i droonimudelile, lihtsalt piirangute sisendeid muutes. See on palju skaleeritavam kui v\u00f5rkude nullist iga stsenaariumi jaoks \u00fcmber kujundamine.<\/p>\n Juurutusteadlik NAS on v\u00f5imas, kuid mitte imerohi. Seda tuleb rakendada l\u00e4bim\u00f5eldult, olles teadlik oma ressursin\u00f5uetest ja sihtkeskkonna varieeruvusest. Vaatamata oma paljulubavusele on juuruteadlikul NAS-il ka v\u00e4ljakutseid:<\/p>\n 1. K\u00f5rge otsingu hind:<\/strong> NAS v\u00f5ib n\u00f5uda m\u00e4rkimisv\u00e4\u00e4rset arvutusv\u00f5imsust. Isegi t\u00f5husate algoritmide korral v\u00f5ib arhitektuuriruumi otsimine v\u00f5tta palju GPU-tunde (v\u00f5i spetsiaalset arvutusv\u00f5imsust). Kui otsingu \u00fcldkulud hoolikalt ei hallata, v\u00f5ivad need m\u00f5nele meeskonnale olla liiga suured.<\/p>\n 2. Andmete kallutatus ja valdkonna nihe:<\/strong> NAS on t\u00e4pselt nii hea, kui head on kasutatud andmed. Kui treeningpildid ei ole p\u00f5llutingimustele representatiivsed, v\u00f5ib leitud arhitektuur tegelikkuses kehvemini toimida. N\u00e4iteks \u00fche p\u00f5llukultuuri v\u00f5i geograafilise piirkonna jaoks h\u00e4\u00e4lestatud mudel ei pruugi ilma edasise kohandamiseta ideaalselt teisele \u00fcle kanduda.<\/p>\n 3. Riistvara heterogeensus:<\/strong> Mehitamata \u00f5hus\u00f5idukite riistvara on saadaval mitmesugusena (erinevad sisseehitatud graafikaprotsessorid, protsessorid, FPGA-d). \u00dchele plaadile optimeeritud mudel ei pruugi olla optimaalne teisel. Juurutusteadlikud NAS-id peavad kas iga platvormi jaoks uuesti otsinguid tegema v\u00f5i kasutama konservatiivseid piiranguid, mis sobivad k\u00f5igile \u2013 mis v\u00f5ib j\u00f5udlust piirata.<\/p>\n 4. Praktilised piirangud:<\/strong> P\u00e4ris p\u00f5llumajanduses juurutamine h\u00f5lmab selliseid k\u00fcsimusi nagu v\u00f5rguv\u00e4rskendused \u00f5hu kaudu, s\u00fcsteemi integreerimine lennujuhtimisega ja ohutussertifitseerimine. Isegi parim NAS-mudel tuleb integreerida t\u00e4ielikku droonis\u00fcsteemi. Mudeliv\u00e4rskenduste koordineerimine, regulatiivsed kinnitused ja p\u00f5llumeeste koolitamine on mittetehnilised takistused.<\/p>\n Tulevikus n\u00e4eme t\u00f5en\u00e4oliselt veelgi tihedamat mudeli disaini, sensoritehnoloogia ja mehitamata \u00f5hus\u00f5idukite juhtimise integratsiooni. Kasutustundlik NAS j\u00e4\u00e4b selle \u00fchise disainiprotsessi peamiseks t\u00f6\u00f6riistaks. Tulevikku vaadates kerkib esile mitu p\u00f5nevat suunda:<\/p>\n 1. V\u00f5rgu\u00fchendusega ja adaptiivne NAS:<\/strong> \u00dchekordse v\u00f5rgu\u00fchenduseta otsingu asemel v\u00f5iksid tulevased s\u00fcsteemid v\u00f5rku reaalajas v\u00f5i lendude vahel kohandada. N\u00e4iteks v\u00f5iks droon alustada baasmudeliga ja kergete NAS-algoritmide abil end uute valgustus- v\u00f5i maastikutingimustega lennult kohandama. See \u201cseadmesisene NAS\u201d on v\u00e4ga keeruline, kuid v\u00f5iks oluliselt parandada kohanemisv\u00f5imet.<\/p>\n 2. Andurite ja mudelite \u00fchisprojekteerimine:<\/strong> Tulevased t\u00e4ppisp\u00f5llumajanduse s\u00fcsteemid v\u00f5iksid \u00fchiselt optimeerida kaamera (RGB, multispektraalne, infrapuna) ja n\u00e4rviv\u00f5rgu valikut. Juurutusteadlik NAS v\u00f5iks otsingusse lisada ka andurite parameetreid (n\u00e4iteks kasutatavaid spektraalribasid), leides riistvara ja mudeli parima kombinatsiooni.<\/p>\n 3. Multispektraalne\/h\u00fcperspektraalne integratsioon:<\/strong> Nagu puuvillahaiguse uuring n\u00e4itab, v\u00f5ib multispektraalsete kujutiste integreerimine parandada avastamist, eriti varajases staadiumis probleemide puhul. Tulevased NAS-id v\u00f5iksid uurida mitme voo mudeleid, mis \u00fchendavad RGB ja l\u00e4hiinfrapuna kanaleid, et tuvastada peeneid taimemuutusi usaldusv\u00e4\u00e4rsemalt.<\/p>\n 4. Autonoomsed otsustusprotsessid:<\/strong> L\u00f5ppkokkuv\u00f5ttes v\u00f5ivad NAS-i jaoks optimeeritud detektorid pakkuda t\u00e4ielikku autonoomiat. N\u00e4iteks v\u00f5ib droon automaatselt genereerida pritsimisplaani v\u00f5i hoiatada farmijuhte, kui see tuvastab teatud tingimused. Kasutustundlikku NAS-i saaks laiendada otsast l\u00f5puni torujuhtmetele (tuvastus- ja tegevusmudelid), optimeerides kogu s\u00fcsteemi.<\/p>\n 5. Eetilised ja keskkonnaalased kaalutlused:<\/strong> Kuna mehitamata \u00f5hus\u00f5idukid muutuvad v\u00f5imekamaks, peame arvestama privaatsuse, \u00f5huruumi ohutuse ja m\u00f5juga p\u00f5llumajandust\u00f6\u00f6j\u00f5ule (nagu on m\u00e4rkinud Agrawal ja Arafat). NAS-ile optimeeritud droonide vastutustundliku kasutamise tagamine p\u00f5llumajanduses on oluline tulevikueesm\u00e4rk.<\/p>\n Juurutusteadlik NAS on v\u00f5imas l\u00e4henemisviis kergete objektidetektorite kohandamiseks mehitamata \u00f5hus\u00f5idukite (UAV) baasil p\u00f5llukultuuride seireks. Mehitamata \u00f5hus\u00f5idukite riistvara ja missioonipiirangute otsingusse lisamisega luuakse mudeleid, mis s\u00e4\u00e4stavad arvutusv\u00f5imsust ja energiat, ohverdamata oluliselt t\u00e4psust. N\u00e4iteks n\u00e4itas hiljutine t\u00f6\u00f6, et NAS-i abil disainitud detektor kasutas 37% v\u00e4hem FLOP-e ja 61% v\u00e4hem parameetreid kui v\u00f5rdluseks kasutatud YOLOv8n, kuid selle mAP langes vaid ~2% v\u00f5rra.<\/p>\n Tegeliku drooni riistvara puhul t\u00e4hendas see 28% kiiremat j\u00e4reldust ja 18% paremat energiat\u00f5husust. Sellised eelised t\u00e4hendavad pikemat lennuaega, kiiremat anal\u00fc\u00fcsi ja reageerimisv\u00f5imelisemat p\u00f5llumajandustuge. V\u00f5rreldes k\u00e4sitsi loodud mudelitega pakub juurutamisega seotud NAS paremat j\u00f5udluse \u00fcldistamist, v\u00e4hem k\u00e4sitsi h\u00e4\u00e4lestamise pingutust ja skaleeritavust uutele mehitamata \u00f5hus\u00f5idukite platvormidele.<\/p>\n T\u00e4ppisp\u00f5llumajanduse kontekstis v\u00f5ivad need t\u00e4iustused muuta mehitamata \u00f5hus\u00f5idukite saagi j\u00e4lgimise praktilisemaks ja t\u00f5husamaks. NAS-i jaoks optimeeritud detektoritega varustatud droonid suudavad umbrohtu, kahjureid v\u00f5i stressi usaldusv\u00e4\u00e4rsemalt tuvastada, v\u00f5imaldades \u00f5igeaegseid sekkumisi, mis s\u00e4\u00e4stavad ressursse ja suurendavad saagikust. Kuna p\u00f5llumajanduses v\u00f5etakse j\u00e4tkuvalt kasutusele droone ja tehisintellekti, m\u00e4ngib juurutustundlik NAS keskset rolli nendel droonidel t\u00f6\u00f6tavate mudelite t\u00f5hususe, t\u00e4psuse ja p\u00f5llul t\u00f6\u00f6tamise valmiduse tagamisel. See \u00fchendab tipptasemel n\u00e4rviv\u00f5rkude uurimist\u00f6\u00f6 ja p\u00f5llumeeste praktiliste vajaduste vahel, aidates kaasa andmep\u00f5hise t\u00e4ppisp\u00f5llumajanduse tuleviku edendamisele.<\/p>","protected":false},"excerpt":{"rendered":" Mehitamata \u00f5hus\u00f5idukid (UAV-d) ehk droonid muudavad t\u00e4nap\u00e4evast p\u00f5llumajandust, pakkudes kiireid \u00f5hust tehtud pilte p\u00f5ldudest. Neid kasutatakse p\u00f5llukultuuride tervise skaneerimiseks,\u2026<\/p>","protected":false},"author":210157960,"featured_media":12831,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1377],"tags":[],"class_list":["post-12824","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-crop-monitoring"],"acf":[],"yoast_head":"\n![\"Mehitamata](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/UAV-Object-Detection-Requirements-in-Crop-Monitoring.jpg?resize=810%2C789&ssl=1\")
<\/p>\nKerged objektidetektorid mehitamata \u00f5hus\u00f5idukite platvormidele<\/h2>\n
![\"Kerged](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Lightweight-Object-Detectors-for-UAV-Platforms.webp?resize=810%2C810&ssl=1\")
<\/p>\nNeuraarhitektuuri otsing mehitamata \u00f5hus\u00f5idukitel p\u00f5hinevates n\u00e4gemiss\u00fcsteemides<\/h2>\n
Juurutusteadlik NAS: p\u00f5hiprintsiibid<\/h2>\n
![\"Juurutusteadlik](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Deployment-Aware-NAS-Core-Principles.webp?resize=810%2C810&ssl=1\")
<\/p>\nKasutustundliku NAS-i roll t\u00e4ppisp\u00f5llumajanduse seirel<\/h2>\n
![\"Kasutustundliku](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-in-Precision-Agriculture-Monitoring.webp?resize=810%2C810&ssl=1\")
<\/p>\nP\u00f5llumajanduslike mehitamata \u00f5hus\u00f5idukite detektorite otsinguruumi disain<\/h2>\n
Optimeerimise eesm\u00e4rgid ja piirangud<\/h2>\n
Koolitus ja hindamine realistlikes p\u00f5llumajanduslikes oludes<\/h2>\n
![\"Koolitus](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Training-and-Evaluation-in-Realistic-Agricultural-Settings.webp?resize=810%2C810&ssl=1\")
<\/p>\nEelised k\u00e4sitsi disainitud mehitamata \u00f5hus\u00f5idukite detektorite ees<\/h2>\n
V\u00e4ljakutsed ja piirangud<\/h2>\n
Tulevikusuunad<\/h2>\n
Kokkuv\u00f5te<\/h2>\n