2. Identifikacija korova:<\/strong> Otkrivanje korova me\u0111u usjevima omogu\u0107uje poljoprivrednicima prskanje samo ne\u017eeljenih biljaka, \u010dime se \u0161tedi herbicid. Na primjer, studija na poljima pamuka koristila je snimke bespilotne letjelice s detektorom temeljenim na YOLOv7 i postigla je to\u010dnost od oko 83% u odvajanju korova od pamuka. Ipak, razlikovanje vizualno sli\u010dnih korova i usjeva ostaje te\u0161ko na pretrpanim slikama polja.<\/p>\n 3. Otkrivanje \u0161teto\u010dina i bolesti:<\/strong> Bespilotne letjelice mogu uo\u010diti pojave (npr. skakavce, insekte ili gljivi\u010dnu pale\u017e) ranije od ljudi koji pje\u0161ice hodaju. Dronovi tako\u0111er podr\u017eavaju mapiranje zona zara\u017eenih \u0161teto\u010dinama putem multispektralnog snimanja, \u0161to pobolj\u0161ava samo RGB. Brzo i to\u010dno otkrivanje \u0161teto\u010dina klju\u010dno je za sprje\u010davanje \u0161irenja.<\/p>\n 4. Procjena prinosa:<\/strong> Brojanje plodova, glavica \u017eitarica ili biljaka iz zraka poma\u017ee u predvi\u0111anju koli\u010dine \u017eetve. Modeli obu\u010deni za otkrivanje jabuka, dinja ili glavica p\u0161enice na snimkama bespilotnih letjelica mogu ubrzati procjenu prinosa. Na primjer, neuronske mre\u017ee na snimkama dronova kori\u0161tene su za brojanje usjeva lubenica i dinja na poljima.<\/p>\n 5. Geodetsko snimanje i kartiranje:<\/strong> Dronovi tako\u0111er stvaraju karte polja (topografija, razlike u tlu) koje poma\u017eu u planiranju obra\u0111ivanja. Iako se ne radi strogo o detekciji objekata, ovo je dio pra\u0107enja bespilotnim letjelicama.<\/p>\n Ovi zadaci \u010desto zahtijevaju zaklju\u010divanje u gotovo stvarnom vremenu: dron koji leti iznad polja mo\u017eda \u0107e morati obra\u0111ivati video snimke u hodu (nekoliko sli\u010dica u sekundi) kako bi se kontrolne odluke (poput pode\u0161avanja visine ili aktiviranja prskalice) mogle donijeti odmah. U drugim slu\u010dajevima, mala ka\u0161njenja (sekunde) mogu biti prihvatljiva ako se podaci bilje\u017ee i analiziraju nakon slijetanja.<\/p>\n Va\u017eno je napomenuti da vid bespilotne letjelice mora podnijeti promjene u okoli\u0161u: jaku sun\u010devu svjetlost, sjene, zamu\u0107enje kretanja uzrokovano vjetrom, zaklanjanje preklapaju\u0107im li\u0161\u0107em ili promjene nadmorske visine i kuta. Veli\u010dine objekata variraju (krupni plan korova u odnosu na udaljene skupine \u0161teto\u010dina), pa detektori moraju upravljati zna\u010dajkama vi\u0161e razmjera.<\/p>\n Kona\u010dno, misije poljoprivrednih bespilotnih letjelica uklju\u010duju stroge kompromise izme\u0111u to\u010dnosti, latencije i energije. Visoka to\u010dnost detekcije potrebna je kako bi se izbjeglo propu\u0161tanje korova ili \u0161tetnika, ali pokretanje vrlo duboke mre\u017ee mo\u017ee brzo isprazniti bateriju. Model detekcije stoga mora biti brz i energetski u\u010dinkovit, a istovremeno dovoljno to\u010dan za zadatak. Ovi strogi zahtjevi isti\u010du za\u0161to je za bespilotne letjelice u poljoprivredi potreban specijalizirani dizajn modela.<\/p>\n Lagani detektori objekata su neuronske mre\u017ee posebno dizajnirane za rad na ograni\u010denom hardveru. \u010cesto koriste male okosnice (poput MobileNeta ili ShuffleNeta), smanjene \u0161irine slojeva ili pojednostavljene dizajne vrata\/glave. Na primjer, modeli obitelji YOLO uklju\u010duju "nano" i "tiny" verzije (npr. YOLOv8n, YOLOv5s) koje imaju manje parametara i zahtijevaju manje operacija (FLOP-ova).<\/p>\n Takvi detektori mogu raditi brzinom od nekoliko desetaka sli\u010dica u sekundi na ugra\u0111enom hardveru poput NVIDIA Jetson Nano ili Google Coral. Na primjer, Ag-YOLO bio je prilago\u0111eni detektor temeljen na YOLO-u za planta\u017ee palmi koji je radio brzinom od 36,5 fps na Intel Neural Compute Stick 2 (koriste\u0107i samo 1,5 W) i postigao visoku to\u010dnost (F1 = 0,9205). Ovaj model koristio je oko 12\u00d7 manje parametara od YOLOv3-Tinyja, a istovremeno je udvostru\u010dio svoju brzinu.<\/p>\n Ovi primjeri pokazuju kompromise u dizajnu modela: smanjenje veli\u010dine ili slo\u017eenosti modela (npr. manji broj slojeva ili kanala) obi\u010dno ubrzava zaklju\u010divanje i smanjuje potro\u0161nju energije, ali mo\u017ee smanjiti to\u010dnost. Ag-YOLO je \u017ertvovao dio kapaciteta kako bi dobio na brzini i u\u010dinkovitosti, ali je i dalje zadr\u017eao visok F1 rezultat od 0,92 na svom zadatku.<\/p>\n Sli\u010dno tome, tri varijante YOLOv7 uspore\u0111ene su za detekciju korova: puni YOLOv7 postigao je to\u010dnost od 83%, dok je manja YOLOv7-w6 mre\u017ea pala na to\u010dnost od 63%. To ilustrira ograni\u010denje generi\u010dkih laganih detektora: modeli pode\u0161eni za jedno okru\u017eenje ili vrstu objekta mogu biti lo\u0161iji u drugom. Detektor smanjen zbog brzine mogao bi propustiti suptilne znakove (npr. mali ili kamuflirani korov), \u0161to bi umanjilo robusnost u razli\u010ditim uvjetima.<\/p>\n U poljoprivredi, ove generi\u010dke lagane mre\u017ee mo\u017eda ne\u0107e biti optimalne bez daljnjeg prilago\u0111avanja. Na primjer, YOLOv7 model prethodno obu\u010den na uobi\u010dajenim skupovima podataka mo\u017eda ne\u0107e savr\u0161eno obraditi jedinstvene teksture i mjerila slika usjeva. Stoga postoji potreba za optimizacijom arhitekture modela specifi\u010dnom za zadatak i platformu. Ru\u010dno pode\u0161avanje (promjena slojeva, filtera itd.) za svaku novu vrstu drona ili sortu usjeva je radno intenzivno. To poti\u010de automatizirane metode - poput NAS-a koji je svjestan implementacije - da prona\u0111u najbolju ravnote\u017eu veli\u010dine, to\u010dnosti i robusnosti za danu platformu bespilotne letjelice i poljoprivrednu primjenu.<\/p>\n Pretraga neuronske arhitekture (NAS) je automatizirana metoda za dizajniranje arhitektura neuronskih mre\u017ea. Umjesto ru\u010dnog postavljanja broja slojeva, filtera i veza, NAS koristi algoritme (u\u010denje s poja\u010danjem, evolucijske metode ili pretra\u017eivanje temeljeno na gradijentu) kako bi istra\u017eio prostor mogu\u0107ih dizajna i prona\u0161ao one koji optimiziraju odabrani cilj (poput to\u010dnosti).<\/p>\n NAS je ve\u0107 primijenjen za stvaranje mre\u017ea prilago\u0111enih mobilnim ure\u0111ajima. Na primjer, Googleov MnasNet bio je pionirski NAS koji je "platformski svjestan" i izravno je uklju\u010divao stvarnu latenciju ure\u0111aja u cilj. MnasNet je mjerio vrijeme zaklju\u010divanja na Google Pixel telefonu za svaki model kandidata tijekom pretra\u017eivanja i uravnote\u017eio to\u010dnost s ovom izmjerenom latencijom. Rezultat je bila obitelj CNN-ova koji su bili brzi i to\u010dni na mobilnom hardveru, nadma\u0161uju\u0107i ru\u010dno dizajnirane MobileNetove i NASNet modele na ImageNetu.<\/p>\n Me\u0111utim, generi\u010dki NAS pristupi poput MnasNeta usredoto\u010duju se na op\u0107e zadatke vida (klasifikacija ImageNeta ili detekcija COCO-a) i op\u0107i hardver (npr. mobilne telefone). Za pra\u0107enje usjeva bespilotnom letjelicom problem je specijaliziraniji. \u017delimo detektore optimizirane za specifi\u010dne klase objekata (biljke, korov, \u0161teto\u010dine) i prilago\u0111ene senzorima i profilu leta bespilotne letjelice. Standardni NAS koji optimizira samo to\u010dnost ili generi\u010dku latenciju mo\u017ee previdjeti nijanse poput detekcije malih objekata ili energetskih ograni\u010denja.<\/p>\n Tako\u0111er, tradicionalne NAS metode mogu biti ra\u010dunalno vrlo skupe (\u010desto zahtijevaju dane na velikim GPU klasterima), \u0161to nije uvijek prakti\u010dno za poljoprivredne istra\u017eiva\u010de. Stoga su za bespilotnu viziju potrebni NAS okviri specifi\u010dni za zadatke. Oni moraju uklju\u010divati kriterije relevantne za bespilotne letjelice i biti \u0161to u\u010dinkovitiji.<\/p>\n U svim slu\u010dajevima, svijest o ograni\u010denjima je klju\u010dna: NAS mora biti svjestan ograni\u010denja ciljnog ure\u0111aja (sli\u010dno MnasNetu) i zahtjeva bespilotne letjelice u stvarnom vremenu tijekom leta. Ako je pretra\u017eivanje previ\u0161e sporo ili zanemaruje potro\u0161nju energije, rezultiraju\u0107i model mo\u017eda ne\u0107e dobro funkcionirati na terenu.<\/p>\n U praksi, NAS za bespilotnu letjelicu (UAV) bi izravno uklju\u010divao latenciju hardvera i energiju u metriku pretra\u017eivanja. Na primjer, moglo bi se izmjeriti broj sli\u010dica u sekundi (frame rate) detektora kandidata na stvarnom ra\u010dunalu drona (poput NVIDIA Jetsona) i to koristiti kao rezultat. To je u suprotnosti s kori\u0161tenjem jednostavnih proxyja poput FLOP-ova, koji ne bilje\u017ee brzinu u stvarnom svijetu.<\/p>\n Na taj na\u010din, NAS mo\u017ee otkriti arhitekture koje najbolje iskori\u0161tavaju mogu\u0107nosti ure\u0111aja. Ukratko, NAS nudi na\u010din automatskog dizajniranja detektora za bespilotne letjelice, ali se mora prilagoditi kako bi se uzeli u obzir zadaci specifi\u010dni za bespilotne letjelice i zahtjevi za u\u010dinkovito\u0161\u0107u.<\/p>\n NAS koji je svjestan implementacije pro\u0161iruje NAS koji je svjestan hardvera uklju\u010divanjem konteksta implementacije i ograni\u010denja okoline u proces dizajna. Drugim rije\u010dima, ne uzima u obzir samo hardver drona (brzinu CPU-a\/GPU-a, ograni\u010denja memorije, energetski bud\u017eet) ve\u0107 i ono s \u010dime \u0107e se bespilotna letjelica zapravo susresti na terenu. To zna\u010di eksplicitnu optimizaciju za metrike poput latencije zaklju\u010divanja na ciljnom ure\u0111aju, potro\u0161nje energije i memorijskog otiska, a sve to uz istovremeno tra\u017eenje visoke to\u010dnosti detekcije.<\/p>\n Na primjer, tijekom NAS-a moglo bi se svaki kandidatski model postaviti na Jetson Nano pri\u010dvr\u0161\u0107en na bespilotnu letjelicu i zabilje\u017eiti njegovo stvarno vrijeme zaklju\u010divanja i potro\u0161nju energije. Ove empirijske povratne informacije poma\u017eu u usmjeravanju potrage za modelima koji zaista zadovoljavaju kriterije postavljanja.<\/p>\n NAS koji je svjestan hardvera (poput MnasNeta) fokusira se na metriku ure\u0111aja, dok NAS koji je svjestan implementacije ide dalje: mo\u017ee uzeti u obzir ulazne karakteristike senzora (npr. razlu\u010divost slike, multispektralne kanale) i ciljeve latencije aplikacije (potreban broj sli\u010dica u sekundi). Mo\u017ee \u010dak uklju\u010diti ograni\u010denja leta poput maksimalno dopu\u0161tene memorije ili uklju\u010diti evaluacije pod simuliranim podrhtavanjem vjetra ili zamu\u0107enjem pokreta.<\/p>\n NAS koji je svjestan implementacije mogao bi ka\u017enjavati arhitekture koje prelaze, recimo, 5W potro\u0161nje energije ili kojima je potrebno vi\u0161e memorije nego \u0161to dron ima. Time se pretraga prirodno usmjerava prema prakti\u010dnim modelima za terenski rad bespilotne letjelice. U biti, NAS koji je svjestan implementacije radi na zatvaranju petlje izme\u0111u dizajna modela i upotrebe u stvarnom svijetu. Umjesto odabira arhitekture izolirano i nadanja da \u0107e raditi, sustavno uklju\u010duje testiranje na stvarnom ure\u0111aju tijekom pretrage.<\/p>\n Na primjer, Kerec i suradnici (2026.) koristili su takav okvir za tra\u017eenje detektora bespilotnih letjelica: nadogradili su YOLOv8n bazu, ali su u pretragu uklju\u010dili latenciju i energiju Jetson Nanoa. Rezultiraju\u0107i model imao je 37% manje GFLOP-ova i 61% manje parametara od YOLOv8n, s padom mAP-a od samo 1,96%. To jasno pokazuje kako su ograni\u010denja implementacije usmjerila NAS prema puno lak\u0161oj i br\u017eoj mre\u017ei.<\/p>\n NAS koji je svjestan implementacije mo\u017ee uvelike pobolj\u0161ati pra\u0107enje usjeva bespilotnim letjelicama prilago\u0111avanjem detektora poljoprivrednim uvjetima. Na primjer, pretraga mo\u017ee favorizirati arhitekture koje se isti\u010du u otkrivanju malih, tankih objekata (poput uskog korova ili tankih sadnica kukuruza) ili u razlikovanju biljaka od pozadine tla. Mo\u017ee prilagoditi dubinu mre\u017ee i receptivna polja tipi\u010dnoj visini leta: na maloj nadmorskoj visini objekti ispunjavaju sliku i mogu zahtijevati fine detalje, dok bi na ve\u0107oj nadmorskoj visini mre\u017ea trebala biti dobra u detekciji malih razmjera. NAS koji je svjestan implementacije mo\u017ee kodirati te zahtjeve u svoj prostor pretra\u017eivanja.<\/p>\n Brzina je klju\u010dna na terenu. Zamislite da dron otkrije pojavu \u0161teto\u010dina; ako je model dovoljno brz da obradi video pri, recimo, 30 fps, mo\u017ee upozoriti pilota ili pokrenuti trenutnu akciju tretiranja. U testovima, model dizajniran od strane NAS-a radio je 28% br\u017ee na Jetson Nano nego standardni YOLOv8n, zahvaljuju\u0107i optimiziranoj arhitekturi. Tako\u0111er je koristio 18.5% manje energije tijekom ONNX rada, \u0161to zna\u010di da dron mo\u017ee letjeti dulje s istom baterijom. Ovi dobici \u010dine dono\u0161enje odluka tijekom leta izvedivijim i produ\u017euju trajanje misije.<\/p>\n Robusnost je jo\u0161 jedna prednost. Budu\u0107i da NAS koji je svjestan implementacije uklju\u010duje stvarnu evaluaciju ure\u0111aja, pretra\u017eivanje mo\u017ee uklju\u010divati testove u razli\u010ditim uvjetima. Na primjer, mo\u017ee simulirati slabo osvjetljenje ili uklju\u010divati slike za u\u010denje iz zore i sumraka, osiguravaju\u0107i da kona\u010dni detektor odr\u017eava to\u010dnost u stvarnim vremenskim uvjetima i promjenama osvjetljenja. Rad je pokazao da detektor izveden iz NAS-a dobro generalizira: testirali su ga na dva razli\u010dita skupa podataka o usjevima (glave p\u0161enice i sadnice pamuka) i prona\u0161li sna\u017ene performanse u oba.<\/p>\n To sugerira da je NAS svjestan implementacije pomogao u pronala\u017eenju zajedni\u010dkih, korisnih zna\u010dajki za poljoprivredu, pobolj\u0161avaju\u0107i generalizaciju na nova polja. Sveukupno, NAS svjestan implementacije poma\u017ee uravnote\u017eiti to\u010dnost s duljim vremenom leta. Smanjenjem ra\u010dunanja, dronovi tro\u0161e manje energije i mogu pokriti ve\u0107u povr\u0161inu s jednim punjenjem baterije, a istovremeno pouzdano otkrivaju usjeve i \u0161tetnike.<\/p>\n Va\u017ean dio NAS-a koji je svjestan implementacije je prostor pretra\u017eivanja \u2013 skup mogu\u0107ih mre\u017enih dizajna koje razmatra. Za detektore usjeva bespilotnih letjelica, prostor pretra\u017eivanja mo\u017ee se izraditi tako da uklju\u010duje obe\u0107avaju\u0107e arhitekture za ovu domenu. Klju\u010dni dijelovi uklju\u010duju:<\/p>\n 1. Dizajn okosnice:<\/strong> Okosnica je ekstraktor zna\u010dajki. Za bespilotne letjelice mogu se uklju\u010diti lagani konvolucijski gra\u0111evni blokovi kao \u0161to su konvolucije odvojive po dubini (kao \u0161to se koristi u MobileNetu) ili invertirani rezidualni blokovi. Invertirani reziduali i linearna uska grla (stil MobileNetV2) dobro su poznati po mobilnoj u\u010dinkovitosti. Prostor pretra\u017eivanja mogao bi omogu\u0107iti promjenu \u0161irine (broja kanala) i dubine svakog bloka kako bi odgovarao ra\u010dunalnom prora\u010dunu bespilotne letjelice. Moduli za pa\u017enju ili transformatorski inspirirani moduli tako\u0111er bi se mogli uklju\u010diti ako si ih bespilotna letjelica mo\u017ee priu\u0161titi pri maloj snazi.<\/p>\n 2. Dizajn vrata:<\/strong> Mnogi detektori objekata koriste piramide zna\u010dajki (FPN) ili mre\u017ee agregacije putova za kombiniranje vi\u0161eskalnih zna\u010dajki. Pretraga bi mogla istra\u017eiti pojednostavljene FPN-ove ili laganu agregaciju zna\u010dajki. Na primjer, kori\u0161tenje glave jedne skale u odnosu na glave vi\u0161e skala mogle bi biti opcije. Prostor bi mogao omogu\u0107iti objedinjavanje slojeva ili preskakanje veza koje poma\u017eu u otkrivanju objekata razli\u010ditih veli\u010dina.<\/p>\n 3. Dizajn glave:<\/strong> Glava za detekciju (klasifikacijski i box regresijski slojevi) tako\u0111er se mo\u017ee mijenjati. Za bespilotne letjelice koje pretra\u017euju ujedna\u010dena polja, jednostavnija glava bi mogla biti dovoljna. Ali za hvatanje malih neravnina, pretraga mo\u017ee uklju\u010divati dodatne konvolucijske slojeve ili razli\u010dite sheme sidrenja.<\/p>\n 4. Lagane operacije:<\/strong> Prostor pretra\u017eivanja mo\u017ee eksplicitno dopustiti samo jeftine operacije. Na primjer, odabir izme\u0111u 3\u00d73 konverzije i jeftinije 1\u00d73+3\u00d71 faktorizirane konverzije ili uklju\u010divanje GhostNet modula. Tako\u0111er mo\u017ee dopustiti male veli\u010dine jezgre ili smanjene dimenzije kako bi se ograni\u010dilo ra\u010dunanje. Svi ovi izbori ovise o hardveru. Prostor mo\u017ee zabraniti bilo koju konfiguraciju sloja koja prema\u0161uje ograni\u010denje memorije drona ili o\u010dekivani energetski prag.<\/p>\n Pa\u017eljivim dizajniranjem ovog prostora pretra\u017eivanja, NAS proces je vo\u0111en prema u\u010dinkovitim, ali efikasnim arhitekturama. Rezultat bi mogla biti nova kombinacija blokova koji nisu uzeti u obzir u standardnim modelima. Najbolje prona\u0111eni detektor koristio je prilago\u0111ene izbore blokova koji su smanjili GFLOP-ove za 37% i parametre za 61% u usporedbi s YOLOv8n.<\/p>\n To je bilo mogu\u0107e jer je NAS mogao kombinirati i uskla\u0111ivati elemente glavnog i glavnog sustava pod ograni\u010denjima bespilotne letjelice. Ukratko, prostor pretra\u017eivanja za poljoprivredne detektore bespilotnih letjelica usredoto\u010den je na skalabilne, lagane gra\u0111evne blokove i rukovanje vi\u0161e skala, sve unutar ograni\u010denja ugra\u0111enog hardvera.<\/p>\n NAS koji je svjestan implementacije mora \u017eonglirati s vi\u0161e ciljeva. Primarni cilj je obi\u010dno to\u010dnost detekcije (npr. srednja prosje\u010dna preciznost, mAP), mjerena na skupovima podataka za pra\u0107enje usjeva. Na primjer, mAP@50 (to\u010dnost na 50% IOU) je uobi\u010dajena metrika. Model optimiziran za NAS imao je pad mAP@50 od samo 1,96% u usporedbi s osnovnim YOLOv8n, \u0161to je vrlo mali gubitak za postignute dobitke. Preciznost i prisje\u0107anje (ili F1 rezultat) na klju\u010dnim klasama (korov, usjevi) tako\u0111er se uzimaju u obzir.<\/p>\n Istovremeno, latencija i energija moraju biti optimizirane. Latencija je vrijeme zaklju\u010divanja po slici; za ugra\u0111eni GPU mo\u017ee biti 20-50 ms ili vi\u0161e. Manja latencija zna\u010di ve\u0107u brzinu kadrova. Potro\u0161nja energije (d\u017euli po kadru) klju\u010dna je za izdr\u017eljivost leta. Memorijski otisak (broj parametara, veli\u010dina modela) jo\u0161 je jedno ograni\u010denje; modeli moraju stati u RAM memoriju ure\u0111aja. Stoga NAS obi\u010dno postavlja cilj ili kaznu za ta ograni\u010denja.<\/p>\n Na primjer, svaki model sporiji od odre\u0111enog praga ili iznad prora\u010duna parametara mogao bi biti sni\u017een u rangu. To u\u010dinkovito pretvara NAS u problem optimizacije s vi\u0161e ciljeva: maksimizirati to\u010dnost uz minimiziranje latencije, energije i veli\u010dine.<\/p>\n Prakti\u010dno, to bi se moglo u\u010diniti ponderiranim zbrojem ciljeva ili tvrdim ograni\u010denjima. Neke metode daju veliku kaznu svakom kandidatu koji prema\u0161uje ograni\u010denje snage bespilotne letjelice. Druge eksplicitno izra\u010dunavaju energetsku metriku: modeli su testirani pod ONNX runtimeom kako bi se izmjerila \u201cenergetska u\u010dinkovitost\u201d, a najbolji model bio je +18.5% energetski u\u010dinkovitiji od YOLOv8n. To je bio jedan od ciljeva koji su vodili njihovu pretragu.<\/p>\n Prona\u0111eni kompromisi mogu se vizualizirati na Pareto granici: na jednom kraju, izuzetno brzi mali modeli s ni\u017eom to\u010dno\u0161\u0107u; na drugom kraju, veliki i to\u010dni modeli koji su prespori ili tro\u0161e puno energije za dron. NAS koji je svjestan implementacije ima za cilj prona\u0107i idealnu to\u010dku na ovoj granici koja odgovara stvarnim prioritetima misije (npr. mali gubitak to\u010dnosti za veliko ubrzanje). Ukratko, NAS mora zajedno uzeti u obzir metrike to\u010dnosti (mAP, F1) i ograni\u010denja zaklju\u010divanja (ms po okviru, d\u017euli po okviru, memorija). Ova uravnote\u017eena optimizacija \u010dini model doista spremnim za implementaciju za kori\u0161tenje bespilotne letjelice.<\/p>\n Da bi detektori prona\u0111eni u NAS-u dobro funkcionirali, moraju se obu\u010diti i testirati na realisti\u010dnim poljoprivrednim podacima. To zna\u010di kori\u0161tenje skupova podataka koji obuhva\u0107aju varijabilnost stvarnih polja: razli\u010dite vrste usjeva, faze rasta, godi\u0161nja doba, uvjete osvjetljenja i nadmorske visine. Na primjer, obuka na slikama samo mladih izdanaka kukuruza mo\u017eda se ne\u0107e generalizirati na zrele glavice p\u0161enice. Skupovi podataka reprezentativni za polje osiguravaju da model u\u010di zna\u010dajke koje su va\u017ene na farmi. Pro\u0161irenje podataka (slu\u010dajni usjevi, promjene svjetline, zamu\u0107enje pokreta) tako\u0111er se mo\u017ee primijeniti tijekom obuke kako bi se opona\u0161alo kretanje i osvjetljenje drona.<\/p>\n Prilikom evaluacije va\u017eno je testirati model u \u0161to realnijim uvjetima. Simulacijski alati mogu pomo\u0107i (npr. letenje virtualnim dronom preko 3D polja), ali stvarni letni testovi su zlatni standard. Ugra\u0111eno mjerenje performansi provodi se pokretanjem modela na stvarnom hardveru bespilotne letjelice. Nakon NAS-a, kandidata su postavili na Jetson Nano i izmjerili 28.1% br\u017ee zaklju\u010divanje (u usporedbi s osnovnim YOLOv8n) i bolju potro\u0161nju energije. Ova vrsta povratnih informacija sa stvarnog ure\u0111aja potvr\u0111uje da je pretraga proizvela model koji zaista zadovoljava zahtjeve.<\/p>\n Generalizacija je tako\u0111er klju\u010dna. Model se mo\u017ee pretra\u017eivati i trenirati na jednoj usjevu (recimo, p\u0161enici), ali poljoprivrednicima su potrebni detektori koji rade na vi\u0161e polja. Studija je pokazala sna\u017enu generalizaciju na vi\u0161e usjeva: detektor izveden iz NAS-a, treniran na jednom zadatku, i dalje je dobro funkcionirao na drugom skupu podataka o usjevima (sadnice pamuka) bez ponovnog treniranja. To sugerira da NAS koji je svjestan implementacije mo\u017ee dati robusne arhitekture. Me\u0111utim, promjene domene (npr. prelazak s kukuruzi\u0161ta na vo\u0107njake) i dalje mogu zahtijevati fino pode\u0161avanje ili daljnje pretra\u017eivanje. Preporu\u010duje se i testiranje kroz godi\u0161nja doba (ljetne vs. jesenske snimke).<\/p>\n Kona\u010dno, svaki novi model treba testirati na platformi bespilotne letjelice prije implementacije. To uklju\u010duje bilje\u017eenje njegove to\u010dnosti i brzine na dronovima, osiguravanje da se hardver ne pregrije i provjeru potro\u0161nje energije. Tek tada mu poljoprivrednici mogu vjerovati za kriti\u010dno pra\u0107enje. Kombiniranjem obuke relevantne za teren i rigorozne evaluacije hardvera, NAS koji je svjestan implementacije daje detektore koji su ne samo teoretski u\u010dinkoviti, ve\u0107 i dokazani na terenu.<\/p>\n NAS sustavi osvije\u0161teni o implementaciji nude nekoliko jasnih prednosti u odnosu na tradicionalne, ru\u010dno dizajnirane modele za bespilotne letjelice:<\/p>\n 1. Kompromisi za bolje performanse:<\/strong> Modeli prona\u0111eni na NAS-u obi\u010dno pru\u017eaju ve\u0107e kombinacije to\u010dnosti, brzine i energetske u\u010dinkovitosti. Na primjer, najbolji model je radio 28% br\u017ee i koristio 18.5% manje energije na Jetson Nano-u nego ru\u010dno odabrana osnovna linija YOLOv8n, dok je gubio samo ~2% u detekcijskom mAP-u. Postizanje takve ravnote\u017ee ru\u010dno bilo bi vrlo te\u0161ko.<\/p>\n 2. Pobolj\u0161ana generalizacija:<\/strong> Modeli koje je otkrio NAS mogu se bolje prilagoditi novim uvjetima, budu\u0107i da pretraga mo\u017ee uklju\u010divati raznolike podatke ili ciljeve. Automatski dizajnirani detektor dobro je generalizirao na razli\u010dite vrste usjeva (p\u0161enica i pamuk) i uvjete osvjetljenja. Ova \u0161iroka robusnost klju\u010dna je kada se letovi susretnu s neo\u010dekivanim scenama.<\/p>\n 3. Smanjeni in\u017eenjerski napori:<\/strong> NAS automatizira mnogo poku\u0161aja i pogre\u0161aka. Umjesto ru\u010dnog pode\u0161avanja veli\u010dina slojeva i testiranja mnogih kandidata, NAS koji je svjestan implementacije iterativno istra\u017euje mogu\u0107nosti i pronalazi najbolji dizajn za vas. To \u0161tedi vrijeme razvoja i stru\u010dnost, olak\u0161avaju\u0107i a\u017euriranje detektora za nove zadatke ili hardver.<\/p>\n 4. Skalabilnost:<\/strong> Nakon postavljanja, NAS okvir mo\u017ee se koristiti za razli\u010dite platforme ili misije bespilotnih letjelica. Na primjer, isti NAS koji je svjestan implementacije mogao bi tra\u017eiti detektor pode\u0161en na druga\u010diju rezoluciju kamere ili model drona jednostavnom promjenom ulaznih ograni\u010denja. To je puno skalabilnije od redizajniranja mre\u017ea od nule za svaki scenarij.<\/p>\n NAS koji je svjestan implementacije je mo\u0107an, ali ne i \u010darobni \u0161tapi\u0107. Mora se primjenjivati promi\u0161ljeno, uz svijest o njegovim zahtjevima za resursima i varijabilnosti ciljnog okru\u017eenja. Unato\u010d svom obe\u0107anju, NAS koji je svjestan implementacije ima izazove:<\/p>\n 1. Visoki tro\u0161kovi pretra\u017eivanja:<\/strong> NAS mo\u017ee zahtijevati zna\u010dajna izra\u010dunavanja. \u010cak i s u\u010dinkovitim algoritmima, pretra\u017eivanje prostora arhitekture mo\u017ee potrajati mnogo sati rada GPU-a (ili specijaliziranog izra\u010dunavanja). Ako se ne upravlja pa\u017eljivo, optere\u0107enje pretra\u017eivanja mo\u017ee biti previsoko za neke timove.<\/p>\n 2. Pristranost podataka i pomak domene:<\/strong> NAS je dobar koliko i kori\u0161teni podaci. Ako slike za u\u010denje nisu reprezentativne za terenske uvjete, prona\u0111ena arhitektura mo\u017ee u stvarnosti podbaciti. Na primjer, model pode\u0161en na jednu vrstu usjeva ili jedno geografsko podru\u010dje mo\u017eda se ne\u0107e savr\u0161eno prenijeti na drugo bez daljnje prilagodbe.<\/p>\n 3. Heterogenost hardvera:<\/strong> Hardver bespilotnih letjelica dolazi u mnogim varijantama (razli\u010diti ugra\u0111eni GPU-ovi, CPU-ovi, FPGA-ovi). Model optimiziran za jednu plo\u010du mo\u017eda ne\u0107e biti optimalan na drugoj. NAS koji je svjestan implementacije mora ili ponovno pokrenuti pretrage za svaku platformu ili koristiti konzervativna ograni\u010denja koja odgovaraju svima - \u0161to mo\u017ee ograni\u010diti performanse.<\/p>\n 4. Prakti\u010dna ograni\u010denja:<\/strong> Prava implementacija u poljoprivredi uklju\u010duje probleme poput a\u017euriranja mre\u017ee putem zraka, integracije sustava s kontrolom leta i sigurnosne certifikacije. \u010cak i najbolji NAS model mora biti integriran u potpuni sustav dronova. Koordinacija a\u017euriranja modela, regulatorna odobrenja i obuka poljoprivrednika nisu tehni\u010dke prepreke.<\/p>\n U budu\u0107nosti \u0107e vjerojatno do\u0107i do jo\u0161 tje\u0161nje integracije dizajna modela, tehnologije senzora i upravljanja bespilotnim letjelicama. NAS sustavi koji su svjesni implementacije ostat \u0107e klju\u010dni alat u ovom procesu zajedni\u010dkog dizajna. Gledaju\u0107i unaprijed, pojavljuje se nekoliko uzbudljivih puteva:<\/p>\n 1. Online i adaptivni NAS:<\/strong> Umjesto jednokratnog pretra\u017eivanja izvan mre\u017ee, budu\u0107i sustavi bi mogli prilago\u0111avati mre\u017eu u stvarnom vremenu ili izme\u0111u letova. Na primjer, dron bi mogao zapo\u010deti s osnovnim modelom i, koriste\u0107i lagane NAS algoritme, prilago\u0111avati se kako bi se nosio s novim uvjetima osvjetljenja ili terena u hodu. Ovaj \u201cNAS na ure\u0111aju\u201d vrlo je izazovan, ali bi mogao uvelike pobolj\u0161ati prilagodljivost.<\/p>\n 2. Zajedni\u010dki dizajn senzora i modela:<\/strong> Budu\u0107i sustavi precizne poljoprivrede mogli bi zajedni\u010dki optimizirati izbor kamere (RGB, multispektralna, infracrvena) i neuronske mre\u017ee. NAS sustav koji je svjestan implementacije mogao bi se pro\u0161iriti i uklju\u010diti parametre senzora (poput kori\u0161tenih spektralnih pojaseva) u svoju pretragu, pronalaze\u0107i najbolju kombinaciju hardvera i modela.<\/p>\n 3. Multispektralna\/hiperspektralna integracija:<\/strong> Kao \u0161to studija bolesti pamuka sugerira, integriranje multispektralnih snimaka mo\u017ee pobolj\u0161ati otkrivanje, posebno problema u ranoj fazi. Budu\u0107i NAS bi mogao istra\u017eiti modele vi\u0161e tokova koji spajaju RGB i bliske infracrvene kanale kako bi pouzdanije otkrili suptilne promjene na biljkama.<\/p>\n 4. Autonomni procesi odlu\u010divanja:<\/strong> U kona\u010dnici, detektori optimizirani za NAS mogu omogu\u0107iti potpunu autonomiju. Na primjer, dron bi mogao automatski generirati plan prskanja ili upozoriti upravitelje farmi ako otkrije odre\u0111ene uvjete. NAS koji je svjestan implementacije mogao bi se pro\u0161iriti na cjevovode od po\u010detka do kraja (modeli detekcije + djelovanja), optimiziraju\u0107i cijeli sustav.<\/p>\n 5. Eti\u010dka i ekolo\u0161ka razmatranja:<\/strong> Kako bespilotne letjelice postaju sve sposobnije, moramo uzeti u obzir privatnost, sigurnost zra\u010dnog prostora i utjecaj na poljoprivredni rad (kao \u0161to su primijetili Agrawal i Arafat). Osiguravanje odgovorne upotrebe dronova optimiziranih za NAS u poljoprivredi va\u017ean je budu\u0107i cilj.<\/p>\n NAS koji je svjestan implementacije predstavlja sna\u017ean pristup prilago\u0111avanju laganih detektora objekata za pra\u0107enje usjeva temeljeno na bespilotnim letjelicama. Ugradnjom hardvera bespilotnih letjelica i ograni\u010denja misije u pretra\u017eivanje, stvara modele koji \u0161tede izra\u010dun i energiju bez \u017ertvovanja ve\u0107e to\u010dnosti. Na primjer, nedavni rad pokazao je da detektor dizajniran od strane NAS-a koristi 37% manje FLOP-ova i 61% manje parametara od referentnog YOLOv8n, no njegov mAP pao je za samo ~2%.<\/p>\n Na stvarnoj opremi za dronove, to je zna\u010dilo br\u017ee zaklju\u010divanje za 28% i bolju energetsku u\u010dinkovitost za 18%. Takvi dobici prevode se u dulje vrijeme leta, br\u017eu analizu i responzivniju podr\u0161ku poljoprivredi. U usporedbi s ru\u010dno izra\u0111enim modelima, NAS koji je svjestan implementacije pru\u017ea bolju generalizaciju performansi, manje ru\u010dnog pode\u0161avanja i skalabilnost novim platformama bespilotnih letjelica.<\/p>\n U kontekstu precizne poljoprivrede, ova pobolj\u0161anja mogu u\u010diniti pra\u0107enje usjeva bespilotnim letjelicama prakti\u010dnijim i u\u010dinkovitijim. Dronovi opremljeni detektorima optimiziranim za NAS mogu pouzdanije uo\u010diti korov, \u0161tetnike ili stres, omogu\u0107uju\u0107i pravovremene intervencije koje \u0161tede resurse i pove\u0107avaju prinose. Kako poljoprivreda nastavlja usvajati dronove i umjetnu inteligenciju, NAS koji je svjestan implementacije igrat \u0107e sredi\u0161nju ulogu u osiguravanju da su modeli koji se pokre\u0107u na tim dronovima u\u010dinkoviti, to\u010dni i spremni za upotrebu na terenu. Premo\u0161\u0107uje jaz izme\u0111u najsuvremenijih istra\u017eivanja neuronskih mre\u017ea i prakti\u010dnih potreba poljoprivrednika, poma\u017eu\u0107i u poticanju budu\u0107nosti precizne poljoprivrede vo\u0111ene podacima.<\/p>","protected":false},"excerpt":{"rendered":" Bespilotne letjelice (UAV) ili dronovi transformiraju modernu poljoprivredu pru\u017eaju\u0107i brze zra\u010dne snimke polja. Koriste se za skeniranje usjeva radi provjere zdravlja,\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_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![\"Zahtjevi](\"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>\nLagani detektori objekata za platforme bespilotnih letjelica<\/h2>\n
![\"Lagani](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Lightweight-Object-Detectors-for-UAV-Platforms.webp?resize=810%2C810&ssl=1\")
<\/p>\nPretraga neuronske arhitekture u sustavima vida temeljenim na bespilotnim letjelicama<\/h2>\n
NAS svjestan implementacije: Osnovna na\u010dela<\/h2>\n
![\"NAS](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Deployment-Aware-NAS-Core-Principles.webp?resize=810%2C810&ssl=1\")
<\/p>\nUloga NAS-a koji je svjestan implementacije u pra\u0107enju precizne poljoprivrede<\/h2>\n
![\"Uloga](\"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>\nDizajn prostora za pretra\u017eivanje za poljoprivredne detektore bespilotnih letjelica<\/h2>\n
Ciljevi i ograni\u010denja optimizacije<\/h2>\n
Obuka i evaluacija u realnim poljoprivrednim uvjetima<\/h2>\n
![\"Obuka](\"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>\nPrednosti u odnosu na ru\u010dno dizajnirane detektore bespilotnih letjelica<\/h2>\n
Izazovi i ograni\u010denja<\/h2>\n
Budu\u0107i smjerovi<\/h2>\n
Zaklju\u010dak<\/h2>\n