2. Identifikacija plevela:<\/strong> Zaznavanje plevela med pridelki omogo\u010da kmetom, da \u0161kropijo le ne\u017eelene rastline, s \u010dimer prihranijo herbicide. Na primer, \u0161tudija na bomba\u017enih poljih je uporabila posnetke brezpilotnega letalnika z detektorjem na osnovi YOLOv7 in dosegla natan\u010dnost pribli\u017eno 83% pri lo\u010devanju plevela od bomba\u017ea. Vendar pa je razlikovanje vizualno podobnih plevelov in pridelkov \u0161e vedno te\u017eko na prenatrpanih slikah polj.<\/p>\n 3. Odkrivanje \u0161kodljivcev in bolezni:<\/strong> Brezpilotni letalniki (UAV) lahko odkrijejo izbruhe (npr. kobilice, \u017eu\u017eelke ali glivi\u010dno ogor\u010denje) prej kot ljudje pe\u0161. Droni podpirajo tudi kartiranje obmo\u010dij, oku\u017eenih s \u0161kodljivci, z multispektralnim slikanjem, ki izbolj\u0161a samo RGB. Hitro in natan\u010dno zaznavanje \u0161kodljivcev je klju\u010dnega pomena za prepre\u010devanje \u0161irjenja.<\/p>\n 4. Ocena pridelka:<\/strong> \u0160tetje sadja, \u017eitnih glav ali rastlin iz zraka pomaga napovedati koli\u010dino pridelka. Modeli, usposobljeni za zaznavanje jabolk, melon ali p\u0161eni\u010dnih glav na slikah brezpilotnih letalnikov, lahko pospe\u0161ijo oceno pridelka. Na primer, nevronske mre\u017ee na slikah brezpilotnih letalnikov so bile uporabljene za \u0161tetje pridelka lubenic in melon na poljih.<\/p>\n 5. Geodetske meritve in kartiranje:<\/strong> Droni ustvarjajo tudi zemljevide polj (topografija, razlike v tleh), ki pomagajo pri na\u010drtovanju gojenja. \u010ceprav to ni strogo zaznavanje objektov, je to del spremljanja z brezpilotnimi letalniki.<\/p>\n Te naloge pogosto zahtevajo sklepanje v skoraj realnem \u010dasu: dron, ki leti nad polji, bo morda moral sproti obdelovati video posnetke (ve\u010d posnetkov na sekundo), da se lahko odlo\u010ditve o nadzoru (kot sta prilagajanje vi\u0161ine ali aktiviranje \u0161kropilnice) sprejmejo takoj. V drugih primerih so lahko sprejemljive manj\u0161e zamude (v nekaj sekundah), \u010de se podatki zabele\u017eijo in analizirajo po pristanku.<\/p>\n Pomembno je, da mora vid brezpilotnega letalnika (UAV) obvladovati okoljske spremenljivosti: mo\u010dno son\u010dno svetlobo, sence, zamegljenost zaradi gibanja zaradi vetra, zakritje s prekrivajo\u010dimi se listi ali spremembe nadmorske vi\u0161ine in kota. Velikosti objektov se razlikujejo (bli\u017enji plevel v primerjavi z oddaljenimi skupinami \u0161kodljivcev), zato morajo detektorji obvladovati ve\u010dstopenjske zna\u010dilnosti.<\/p>\n Kon\u010dno, misije kmetijskih brezpilotnih letalnikov vklju\u010dujejo stroge kompromise med natan\u010dnostjo, zakasnitvijo in energijo. Visoka natan\u010dnost zaznavanja je potrebna, da se prepre\u010di spregledanje plevela ali \u0161kodljivcev, vendar lahko delovanje zelo globokega omre\u017eja hitro izprazni baterijo. Model zaznavanja mora biti zato hiter in energetsko u\u010dinkovit, hkrati pa dovolj natan\u010den za nalogo. Te stroge zahteve poudarjajo, zakaj je za brezpilotne letalnike v kmetijstvu potrebna specializirana zasnova modelov.<\/p>\n Lahki detektorji objektov so nevronske mre\u017ee, posebej zasnovane za delovanje na omejeni strojni opremi. Pogosto uporabljajo majhne hrbtenice (kot sta MobileNet ali ShuffleNet), zmanj\u0161ane \u0161irine plasti ali poenostavljene zasnove vratu\/glave. Na primer, modeli dru\u017eine YOLO vklju\u010dujejo \u201cnano\u201d in \u201cdrobne\u201d razli\u010dice (npr. YOLOv8n, YOLOv5s), ki imajo manj parametrov in zahtevajo manj operacij (FLOP).<\/p>\n Tak\u0161ni detektorji lahko delujejo s hitrostjo ve\u010d deset sli\u010dic na sekundo na vgrajeni strojni opremi, kot sta NVIDIA Jetson Nano ali Google Coral. Ag-YOLO je bil na primer detektor po meri, ki je temeljil na YOLO za palmove nasade in je deloval s hitrostjo 36,5 sli\u010dic na sekundo na Intel Neural Compute Stick 2 (s porabo le 1,5 W) in dosegel visoko natan\u010dnost (F1 = 0,9205). Ta model je uporabil pribli\u017eno 12\u00d7 manj parametrov kot YOLOv3-Tiny, hkrati pa je podvojil svojo hitrost.<\/p>\n Ti primeri prikazujejo kompromise pri na\u010drtovanju modelov: zmanj\u0161anje velikosti ali kompleksnosti modela (npr. manj plasti ali kanalov) obi\u010dajno pospe\u0161i sklepanje in zmanj\u0161a porabo energije, vendar lahko zmanj\u0161a natan\u010dnost. Ag-YOLO je \u017ertvoval nekaj zmogljivosti za pove\u010danje hitrosti in u\u010dinkovitosti, vendar je pri svoji nalogi \u0161e vedno ohranil visok rezultat F1 0,92.<\/p>\n Podobno so bile tri razli\u010dice YOLOv7 primerjane pri zaznavanju plevela: polna YOLOv7 je dosegla natan\u010dnost 83%, medtem ko je manj\u0161a mre\u017ea YOLOv7-w6 padla na natan\u010dnost 63%. To ponazarja omejitev generi\u010dnih lahkih detektorjev: modeli, ugla\u0161eni za eno okolje ali vrsto predmeta, lahko v drugem delujejo slab\u0161e. Detektor, ki je zo\u017een zaradi hitrosti, lahko spregleda subtilne znake (npr. majhen ali prikrit plevel), kar \u0161koduje robustnosti v razli\u010dnih pogojih.<\/p>\n V kmetijstvu ta generi\u010dna lahka omre\u017eja morda niso optimalna brez nadaljnjih prilagoditev. Na primer, model YOLOv7, ki je bil predhodno usposobljen na obi\u010dajnih naborih podatkov, morda ne bo popolnoma obvladoval edinstvenih tekstur in meril posnetkov polj\u0161\u010din. Zato je potrebna optimizacija arhitekture modela glede na nalogo in platformo. Ro\u010dno nastavljanje (spreminjanje plasti, filtrov itd.) za vsako novo vrsto drona ali sorto polj\u0161\u010din je delovno intenzivno. To spodbuja avtomatizirane metode \u2013 kot je NAS, ki se zaveda namestitve \u2013 da najdejo najbolj\u0161e ravnovesje med velikostjo, natan\u010dnostjo in robustnostjo za dano platformo UAV in kmetijsko aplikacijo.<\/p>\n Iskanje nevronske arhitekture (NAS) je avtomatizirana metoda za na\u010drtovanje arhitektur nevronskih mre\u017e. Namesto ro\u010dnega dolo\u010danja \u0161tevila plasti, filtrov in povezav NAS uporablja algoritme (u\u010denje z okrepitvijo, evolucijske metode ali iskanje na osnovi gradientov) za raziskovanje prostora mo\u017enih zasnov in iskanje tistih, ki optimizirajo izbrani cilj (kot je natan\u010dnost).<\/p>\n NAS se je \u017ee uporabljal za ustvarjanje mobilno prijaznih omre\u017eij. Na primer, Googlov MnasNet je bil pionirski NAS, ki se zaveda platforme in je v cilj neposredno vklju\u010dil dejansko zakasnitev naprave. MnasNet je na telefonu Google Pixel za vsak kandidatni model med iskanjem izmeril \u010das sklepanja in uravnote\u017eil natan\u010dnost glede na to izmerjeno zakasnitev. Rezultat je bila dru\u017eina CNN, ki so bile hitre in natan\u010dne na mobilni strojni opremi ter so preka\u0161ale ro\u010dno zasnovane modele MobileNet in NASNet na ImageNet.<\/p>\n Vendar pa se generi\u010dni pristopi NAS, kot je MnasNet, osredoto\u010dajo na splo\u0161ne naloge vida (klasifikacija ImageNet ali zaznavanje COCO) in splo\u0161no strojno opremo (npr. mobilne telefone). Pri spremljanju pridelkov z brezpilotnimi letalniki (UAV) je problem bolj specializiran. \u017delimo detektorje, optimizirane za specifi\u010dne razrede objektov (rastline, plevel, \u0161kodljivci) in prilagojene senzorjem in profilu leta brezpilotnega letalnika. Standardni NAS, ki optimizira le natan\u010dnost ali generi\u010dno zakasnitev, lahko spregleda nianse, kot so zaznavanje majhnih objektov ali energijske omejitve.<\/p>\n Tudi tradicionalne metode NAS so lahko ra\u010dunsko zelo drage (pogosto zahtevajo ve\u010d dni na velikih gru\u010dah GPU), kar ni vedno prakti\u010dno za raziskovalce v kmetijstvu. Zato so za vid brezpilotnih letalnikov potrebni ogrodji NAS, specifi\u010dni za nalogo. Ta morajo vklju\u010devati merila, pomembna za brezpilotne letalnike, in biti \u010dim bolj u\u010dinkovita.<\/p>\n V vseh primerih je zavedanje omejitev klju\u010dnega pomena: NAS se mora zavedati omejitev ciljne naprave (podobno kot MnasNet) in zahtev nalog brezpilotnega letalnika med letom v realnem \u010dasu. \u010ce je iskanje prepo\u010dasno ali ne upo\u0161teva porabe energije, nastali model morda dejansko ne bo dobro deloval na terenu.<\/p>\n V praksi bi NAS za vid brezpilotnih letalnikov vklju\u010dil zakasnitev strojne opreme in energijo neposredno v metriko iskanja. Na primer, lahko bi izmerili hitrost sli\u010dic kandidatnega detektorja na dejanskem ra\u010dunalniku drona (kot je NVIDIA Jetson) in to uporabili kot rezultat. To je v nasprotju z uporabo preprostih posrednikov, kot so FLOP-i, ki ne zajamejo hitrosti v resni\u010dnem svetu.<\/p>\n S tem lahko NAS odkrije arhitekture, ki najbolje izkori\u0161\u010dajo zmogljivosti naprave. Skratka, NAS ponuja na\u010din za samodejno na\u010drtovanje detektorjev za brezpilotne letalnike, vendar ga je treba prilagoditi tako, da upo\u0161teva naloge, specifi\u010dne za brezpilotne letalnike, in zahteve glede u\u010dinkovitosti.<\/p>\n NAS, ki se zaveda uvedbe, raz\u0161irja NAS, ki se zaveda strojne opreme, tako da v proces na\u010drtovanja vklju\u010duje kontekst uvedbe in okoljske omejitve. Z drugimi besedami, ne upo\u0161teva le strojne opreme drona (hitrost CPE\/GPU, omejitve pomnilnika, energijska poraba), temve\u010d tudi to, s \u010dim se bo brezpilotni letalnik dejansko sre\u010dal na terenu. To pomeni eksplicitno optimizacijo za metrike, kot so zakasnitev sklepanja na ciljni napravi, poraba energije in pomnilni\u0161ki odtis, hkrati pa si prizadeva za visoko natan\u010dnost zaznavanja.<\/p>\n Na primer, med NAS bi lahko vsak kandidatni model namestili na Jetson Nano, pritrjen na brezpilotni letalnik, in zabele\u017eili njegov \u010das sklepanja in porabo energije v resni\u010dnem svetu. Te empiri\u010dne povratne informacije pomagajo pri iskanju modelov, ki resni\u010dno izpolnjujejo merila za namestitev.<\/p>\n NAS, ki se zaveda strojne opreme (kot je MnasNet), se osredoto\u010da na metrike naprave, medtem ko NAS, ki se zaveda uvajanja, gre \u0161e dlje: lahko upo\u0161teva vhodne zna\u010dilnosti senzorjev (npr. lo\u010dljivost slike, ve\u010dspektralne kanale) in cilje zakasnitve aplikacije (potrebno \u0161tevilo sli\u010dic na sekundo). Lahko celo vklju\u010di omejitve leta, kot je najve\u010dji dovoljeni pomnilnik, ali pa vklju\u010di ocene v simuliranih tresljajih vetra ali zamegljenosti zaradi gibanja.<\/p>\n NAS, ki se zaveda namestitve, lahko kaznuje arhitekture, ki presegajo na primer 5 W porabe energije ali potrebujejo ve\u010d pomnilnika, kot ga ima dron. S tem se iskanje naravno preusmeri k prakti\u010dnim modelom za delovanje brezpilotnega letalnika na terenu. V bistvu gre pri NAS, ki se zaveda namestitve, za zapiranje zanke med zasnovo modela in uporabo v resni\u010dnem svetu. Namesto da bi izbral arhitekturo lo\u010deno in upal, da bo delovala, sistemati\u010dno vklju\u010duje testiranje na resni\u010dnih napravah med iskanjem.<\/p>\n Na primer, Kerec in sodelavci (2026) so uporabili tak\u0161en okvir za iskanje detektorja brezpilotnih letalnikov: gradili so na osnovni razli\u010dici YOLOv8n, vendar so v iskanje vklju\u010dili latenco in energijo Jetson Nano. Nastali model je imel 37% manj GFLOP-ov in 61% manj parametrov kot YOLOv8n, s samo 1,96% padcem mAP. To jasno ka\u017ee, kako so omejitve pri uvajanju usmerile NAS v veliko la\u017eje in hitrej\u0161e omre\u017eje.<\/p>\n NAS, ki se zaveda namestitve, lahko mo\u010dno izbolj\u0161a spremljanje pridelkov z brezpilotnimi letalniki (UAV) s prilagoditvijo detektorjev kmetijskim razmeram. Iskanje lahko na primer daje prednost arhitekturam, ki so odli\u010dne pri zaznavanju majhnih, tankih predmetov (kot so ozki pleveli ali tanke sadike koruze) ali pri razlikovanju rastlin od talnega ozadja. Globino omre\u017eja in receptivna polja lahko prilagodi tipi\u010dni vi\u0161ini letenja: na nizki nadmorski vi\u0161ini predmeti zapolnijo sliko in lahko zahtevajo fine podrobnosti, medtem ko bi moralo biti omre\u017eje na vi\u0161ji nadmorski vi\u0161ini dobro pri zaznavanju majhnega obsega. NAS, ki se zaveda namestitve, lahko te zahteve vkodira v svoj iskalni prostor.<\/p>\n Hitrost je na terenu klju\u010dnega pomena. Predstavljajte si, da dron zazna izbruh \u0161kodljivcev; \u010de je model dovolj hiter, da obdeluje video s hitrostjo, recimo, 30 sli\u010dic na sekundo, lahko opozori pilota ali spro\u017ei takoj\u0161nje ukrepanje. V testih je model, ki ga je zasnoval NAS, na Jetson Nano deloval 28% hitreje kot standardni YOLOv8n, zahvaljujo\u010d optimizirani arhitekturi. Prav tako je med delovanjem ONNX porabil 18,5% manj energije, kar pomeni, da lahko dron z isto baterijo leti dlje. Zaradi teh izbolj\u0161av je odlo\u010danje med letom bolj izvedljivo in se podalj\u0161a trajanje misije.<\/p>\n Robustnost je \u0161e ena prednost. Ker NAS, ki se zaveda namestitve, vklju\u010duje dejansko ocenjevanje naprav, lahko iskanje vklju\u010duje teste v razli\u010dnih pogojih. Na primer, lahko simulira \u0161ibko svetlobo ali vklju\u010duje u\u010dne slike zore in mraka, kar zagotavlja, da kon\u010dni detektor ohrani natan\u010dnost v dejanskih vremenskih in svetlobnih spremembah. Delo je pokazalo, da detektor, ki izhaja iz NAS, dobro posplo\u0161uje: preizkusili so ga na dveh razli\u010dnih naborih podatkov o pridelkih (p\u0161eni\u010dne glave in sadike bomba\u017ea) in ugotovili dobro delovanje v obeh.<\/p>\n To ka\u017ee, da je NAS, ki se zaveda uvedbe, pomagal najti skupne, uporabne funkcije za kmetijstvo in izbolj\u0161al posplo\u0161itev na nova podro\u010dja. Na splo\u0161no NAS, ki se zaveda uvedbe, pomaga uravnote\u017eiti natan\u010dnost z dalj\u0161im \u010dasom leta. Z zmanj\u0161anjem ra\u010dunanja droni porabijo manj energije in lahko pokrijejo ve\u010djo povr\u0161ino z enim polnjenjem baterije, hkrati pa \u0161e vedno zanesljivo zaznavajo pridelke in \u0161kodljivce.<\/p>\n Pomemben del NAS, ki se zaveda uvajanja, je iskalni prostor \u2013 nabor mo\u017enih omre\u017enih zasnov, ki jih upo\u0161teva. Za detektorje polj\u0161\u010din brezpilotnih letalnikov je mogo\u010de iskalni prostor oblikovati tako, da vklju\u010duje obetavne arhitekture za to podro\u010dje. Klju\u010dni deli vklju\u010dujejo:<\/p>\n 1. Zasnova hrbtenice:<\/strong> Ogrodje je ekstraktor zna\u010dilnosti. Za brezpilotne letalnike (UAV) bi lahko vklju\u010dili lahke konvolucijske gradnike, kot so globinsko lo\u010dljive konvolucije (kot se uporabljajo v MobileNet) ali obrnjeni bloki ostankov. Obrnjeni ostanki in linearna ozka grla (stil MobileNetV2) so dobro znani po mobilni u\u010dinkovitosti. Iskalni prostor bi lahko omogo\u010dil spreminjanje \u0161irine (\u0161tevila kanalov) in globine vsakega bloka, da bi se ujemal z ra\u010dunskim prora\u010dunom brezpilotnega letalnika. Vklju\u010deni bi lahko bili tudi moduli za pozornost ali moduli, ki so navdihnjeni s transformatorji, \u010de si jih brezpilotni letalnik lahko privo\u0161\u010di pri nizki porabi energije.<\/p>\n 2. Oblika vratu:<\/strong> \u0160tevilni detektorji objektov uporabljajo piramide zna\u010dilnosti (FPN) ali omre\u017eja za zdru\u017eevanje ve\u010dstopenjskih zna\u010dilnosti. Iskanje bi lahko raziskalo poenostavljene FPN-je ali lahko zdru\u017eevanje zna\u010dilnosti. Na primer, uporaba glave z enim merilom v primerjavi z glavami z ve\u010d merili bi lahko bila mo\u017enost. Prostor bi lahko omogo\u010dil zdru\u017eevanje plasti ali preskakovanje povezav, ki pomagajo zaznati objekte razli\u010dnih velikosti.<\/p>\n 3. Zasnova glave:<\/strong> Tudi detekcijska glava (klasifikacijske in regresijske plasti) se lahko spreminja. Za brezpilotne letalnike, ki i\u0161\u010dejo enakomerna polja, bi lahko zadostovala enostavnej\u0161a glava. Za zaznavanje manj\u0161ih neenakosti pa bi lahko iskanje vklju\u010devalo dodatne konvolucijske plasti ali razli\u010dne sidrne sheme.<\/p>\n 4. La\u017eje operacije:<\/strong> Iskalni prostor lahko izrecno dovoljuje le nizkocenovne operacije. Na primer, izbiro med pretvorbo 3\u00d73 in cenej\u0161o faktorizirano pretvorbo 1\u00d73+3\u00d71 ali vklju\u010ditev modulov GhostNet. Omogo\u010da lahko tudi majhne velikosti jeder ali zmanj\u0161ane dimenzije za omejitev ra\u010dunanja. Vse te izbire so odvisne od strojne opreme. Prostor lahko prepove katero koli konfiguracijo plasti, ki presega omejitev pomnilnika drona ali pri\u010dakovani energijski prag.<\/p>\n S skrbnim na\u010drtovanjem tega iskalnega prostora je proces NAS usmerjen k u\u010dinkovitim, a hkrati uspe\u0161nim arhitekturam. Rezultat je lahko nova kombinacija blokov, ki niso upo\u0161tevani v standardnih modelih. Najbolje najdeni detektor je uporabil izbire blokov po meri, ki so zmanj\u0161ale GFLOP za 37% in parametre za 61% v primerjavi z YOLOv8n.<\/p>\n To je bilo mogo\u010de, ker je NAS lahko kombiniral in usklajeval elemente hrbtenice in glave v okviru omejitev brezpilotnega letalnika. Skratka, iskalni prostor za detektorje kmetijskih brezpilotnih letalnikov se osredoto\u010da na skalabilne, lahke gradnike in ve\u010dstopenjsko upravljanje, vse znotraj omejitev vgrajene strojne opreme.<\/p>\n NAS, ki se zaveda namestitve, mora \u017eonglirati z ve\u010d cilji. Primarni cilj je obi\u010dajno natan\u010dnost zaznavanja (npr. povpre\u010dna natan\u010dnost, mAP), merjena na naborih podatkov za spremljanje polj\u0161\u010din. Na primer, mAP@50 (natan\u010dnost pri 50% IOU) je pogosta metrika. Model, optimiziran za NAS, je imel le 1,96% padec mAP@50 v primerjavi z osnovnim YOLOv8n, kar je zelo majhna izguba glede na dose\u017eene izbolj\u0161ave. Upo\u0161tevata se tudi natan\u010dnost in odpoklic (ali rezultat F1) na klju\u010dnih razredih (plevel, polj\u0161\u010dine).<\/p>\n Hkrati je treba optimizirati zakasnitev in energijo. Zakasnitev je \u010das sklepanja na sliko; za vgrajeni grafi\u010dni procesor je lahko 20\u201350 ms ali ve\u010d. Ni\u017eja zakasnitev pomeni vi\u0161jo hitrost sli\u010dic. Poraba energije (d\u017euli na sli\u010dico) je klju\u010dnega pomena za vzdr\u017eljivost leta. Pomnilni\u0161ki odtis (\u0161tevilo parametrov, velikost modela) je \u0161e ena omejitev; modeli se morajo prilegati RAM-u naprave. Zato NAS obi\u010dajno dolo\u010di cilj ali kazen za te omejitve.<\/p>\n Na primer, vsak model, ki je po\u010dasnej\u0161i od dolo\u010denega praga ali nad prora\u010dunom parametrov, se lahko uvrsti ni\u017eje. To NAS dejansko spremeni v ve\u010dkriterijski optimizacijski problem: maksimiranje natan\u010dnosti ob hkratnem zmanj\u0161anju zakasnitve, energije in velikosti.<\/p>\n Prakti\u010dno bi to lahko dosegli z ute\u017eeno vsoto ciljev ali s trdimi omejitvami. Nekatere metode dajejo veliko kazen vsakemu kandidatu, ki prese\u017ee omejitev mo\u010di brezpilotnega letalnika. Druge eksplicitno izra\u010dunajo metriko energije: modeli so bili preizku\u0161eni v okolju ONNX za merjenje "energetske u\u010dinkovitosti", najbolj\u0161i model pa je bil +18,5% energetsko u\u010dinkovitej\u0161i od YOLOv8n. To je bil eden od ciljev, ki so vodili njihovo iskanje.<\/p>\n Ugotovljene kompromise si je mogo\u010de predstavljati na Paretovi meji: na enem koncu izjemno hitri majhni modeli z ni\u017ejo natan\u010dnostjo; na drugem koncu veliki natan\u010dni modeli, ki so prepo\u010dasni ali energijsko la\u010dni za dron. NAS, ki se zaveda namestitve, si prizadeva najti idealno to\u010dko na tej meji, ki se ujema z dejanskimi prioritetami misije (npr. majhna izguba natan\u010dnosti za veliko pospe\u0161itev). Skratka, NAS mora skupaj upo\u0161tevati metrike natan\u010dnosti (mAP, F1) in omejitve sklepanja (ms na okvir, d\u017euli na okvir, pomnilnik). Ta uravnote\u017eena optimizacija je tisto, zaradi \u010desar je model resni\u010dno pripravljen za namestitve v brezpilotnih letalnikih.<\/p>\n Da bi detektorji, ki jih je na\u0161el NAS, dobro delovali, jih je treba usposobiti in preizkusiti na realisti\u010dnih kmetijskih podatkih. To pomeni uporabo naborov podatkov, ki zajemajo spremenljivost dejanskih polj: razli\u010dne vrste polj\u0161\u010din, faze rasti, letne \u010dase, svetlobne pogoje in nadmorske vi\u0161ine. Na primer, u\u010denje na slikah samo mladih koruznih poganjkov morda ne bo posplo\u0161eno na zrele p\u0161eni\u010dne glave. Nabori podatkov, reprezentativni za polja, zagotavljajo, da se model nau\u010di zna\u010dilnosti, ki so pomembne na kmetiji. Med u\u010denjem se lahko uporabi tudi raz\u0161iritev podatkov (naklju\u010dni pridelki, spremembe svetlosti, zamegljenost zaradi gibanja), da se posnema gibanje in osvetlitev dronov.<\/p>\n Pri ocenjevanju je pomembno, da model preizkusite v \u010dim bolj realnih pogojih. Simulacijska orodja lahko pomagajo (npr. letenje virtualnega drona nad 3D-polji), vendar so zlati standard dejanski letalni testi. Primerjalno testiranje na vozilu se izvede z zagonom modela na dejanski strojni opremi brezpilotnega letalnika. Po NAS so kandidata namestili na Jetson Nano in izmerili 28,1% hitrej\u0161e sklepanje (v primerjavi z osnovnim YOLOv8n) in bolj\u0161o porabo energije. Tovrstne povratne informacije iz dejanske naprave potrjujejo, da je iskanje ustvarilo model, ki resni\u010dno izpolnjuje zahteve.<\/p>\n Posplo\u0161evanje je prav tako klju\u010dnega pomena. Model se lahko i\u0161\u010de in u\u010di na enem pridelku (recimo p\u0161enici), vendar kmetje potrebujejo detektorje, ki delujejo na ve\u010d poljih. \u0160tudija je pokazala mo\u010dno posplo\u0161evanje med pridelki: detektor, ki izhaja iz NAS in je bil usposobljen za eno nalogo, je \u0161e vedno dobro deloval na drugem naboru podatkov o pridelkih (sadike bomba\u017ea) brez ponovnega u\u010denja. To ka\u017ee, da lahko NAS, ki se zaveda uvajanja, prinese robustne arhitekture. Vendar pa lahko spremembe domen (npr. selitev s koruznih polj na sadovnjake) \u0161e vedno zahtevajo natan\u010dno nastavitev ali nadaljnje iskanje. Priporo\u010dljivo je tudi medsezonsko testiranje (posnetki poleti v primerjavi z jesenjo).<\/p>\n Nenazadnje je treba vsak nov model pred uvedbo preizkusiti na platformi brezpilotnih letalnikov. To vklju\u010duje bele\u017eenje njegove natan\u010dnosti in hitrosti na dronih, zagotavljanje, da se strojna oprema ne pregreje, in preverjanje porabe energije. \u0160ele takrat mu lahko kmetje zaupajo pri kriti\u010dnem spremljanju. Z zdru\u017eevanjem usposabljanja, ustreznega za teren, in strogega ocenjevanja strojne opreme NAS, ki se zaveda uvedbe, zagotavlja detektorje, ki niso le teoreti\u010dno u\u010dinkoviti, ampak so tudi preizku\u0161eni na terenu.<\/p>\n NAS, ki se zaveda namestitve, ponuja ve\u010d jasnih prednosti pred tradicionalnimi, ro\u010dno zasnovanimi modeli za brezpilotne letalnike:<\/p>\n 1. Kompromisi za bolj\u0161o u\u010dinkovitost delovanja:<\/strong> Modeli, najdeni v NAS, obi\u010dajno zagotavljajo ve\u010dje kombinacije natan\u010dnosti, hitrosti in energetske u\u010dinkovitosti. Najbolj\u0161i model je na primer deloval hitreje pri 28% in porabil 18,5% manj energije na Jetson Nano kot ro\u010dno izbrani osnovni model YOLOv8n, hkrati pa je pri detekcijski mAP izgubil le ~2%. Ro\u010dno doseganje tak\u0161nega ravnovesja bi bilo zelo te\u017eko.<\/p>\n 2. Izbolj\u0161ana posplo\u0161itev:<\/strong> Modeli, ki jih je odkril NAS, so lahko bolj prilagodljivi novim pogojem, saj lahko iskanje vklju\u010duje raznolike podatke ali cilje. Samodejno zasnovan detektor se je dobro posplo\u0161il na razli\u010dne vrste polj\u0161\u010din (p\u0161enica in bomba\u017e) in svetlobne pogoje. Ta \u0161iroka robustnost je klju\u010dnega pomena, ko leti naletijo na nepri\u010dakovane prizore.<\/p>\n 3. Zmanj\u0161an in\u017eenirski napor:<\/strong> NAS avtomatizira veliko poskusov in napak. Namesto ro\u010dnega prilagajanja velikosti plasti in testiranja \u0161tevilnih kandidatov, NAS, ki se zaveda uvajanja, iterativno raziskuje mo\u017enosti in najde najbolj\u0161o zasnovo za vas. To prihrani \u010das razvoja in strokovno znanje, kar olaj\u0161a posodabljanje detektorjev za nove naloge ali strojno opremo.<\/p>\n 4. Prilagodljivost:<\/strong> Ko je ogrodje NAS nastavljeno, se lahko uporablja za razli\u010dne platforme ali misije brezpilotnih letalnikov. Na primer, isti NAS, ki se zaveda uvajanja, bi lahko poiskal detektor, ugla\u0161en na drugo lo\u010dljivost kamere ali model drona, tako da preprosto spremeni vhodne omejitve. To je veliko bolj prilagodljivo kot preoblikovanje omre\u017eij od za\u010detka za vsak scenarij.<\/p>\n NAS, ki se zaveda uvedbe, je zmogljiv, vendar ne \u010darobna re\u0161itev. Uporabljati ga je treba premi\u0161ljeno, z zavedanjem zahtev glede virov in spremenljivosti ciljnega okolja. Kljub svoji obljubi ima NAS, ki se zaveda uvedbe, naslednje izzive:<\/p>\n 1. Visoki stro\u0161ki iskanja:<\/strong> NAS lahko zahteva precej\u0161nje izra\u010dune. Tudi z u\u010dinkovitimi algoritmi lahko iskanje po arhitekturnem prostoru traja veliko ur z grafi\u010dnimi procesorji (ali specializiranimi izra\u010duni). \u010ce se ne upravlja skrbno, so lahko stro\u0161ki iskanja za nekatere ekipe previsoki.<\/p>\n 2. Pristranskost podatkov in premik domene:<\/strong> NAS je dober le toliko, kot so dobri uporabljeni podatki. \u010ce u\u010dne slike niso reprezentativne za terenske razmere, lahko najdena arhitektura v resnici ne deluje dobro. Na primer, model, ugla\u0161en za eno vrsto pridelka ali eno geografsko regijo, se morda ne bo popolnoma prenesel na drugo brez nadaljnje prilagoditve.<\/p>\n 3. Heterogenost strojne opreme:<\/strong> Strojna oprema brezpilotnih letalnikov je na voljo v razli\u010dnih razli\u010dicah (razli\u010dni vgrajeni grafi\u010dni procesorji, procesorji, FPGA). Model, optimiziran za eno plo\u0161\u010do, morda ni optimalen na drugi. NAS, ki se zaveda uvedbe, mora bodisi ponovno zagnati iskanja za vsako platformo bodisi uporabiti konzervativne omejitve, ki ustrezajo vsem \u2013 kar lahko omeji zmogljivost.<\/p>\n 4. Prakti\u010dne omejitve:<\/strong> Prave kmetijske uvedbe vklju\u010dujejo te\u017eave, kot so posodobitve omre\u017eja po zraku, sistemska integracija z nadzorom leta in varnostni certifikati. Tudi najbolj\u0161i model NAS mora biti integriran v celoten sistem dronov. Usklajevanje posodobitev modela, regulativne odobritve in usposabljanje kmetov so netehni\u010dne ovire.<\/p>\n V prihodnosti se bo verjetno pojavila \u0161e tesnej\u0161a integracija na\u010drtovanja modelov, senzorske tehnologije in upravljanja brezpilotnih letalnikov. NAS, ki se zaveda namestitve, bo ostal klju\u010dno orodje v tem procesu sooblikovanja. V prihodnosti se pojavlja ve\u010d vznemirljivih mo\u017enosti:<\/p>\n 1. Spletni in prilagodljivi NAS:<\/strong> Namesto enkratnega iskanja brez povezave bi lahko prihodnji sistemi prilagajali omre\u017eje v realnem \u010dasu ali med leti. Na primer, dron bi lahko za\u010del z osnovnim modelom in se z uporabo lahkih algoritmov NAS sproti prilagajal novim svetlobnim ali terenskim pogojem. Ta \u201cNAS v napravi\u201d je zelo zahteven, vendar bi lahko mo\u010dno izbolj\u0161al prilagodljivost.<\/p>\n 2. So\u010dasna zasnova senzorjev in modelov:<\/strong> Prihodnji sistemi preciznega kmetijstva bi lahko skupaj optimizirali izbiro kamere (RGB, multispektralna, infrarde\u010da) in nevronske mre\u017ee. NAS, ki se zaveda namestitve, bi se lahko raz\u0161iril tako, da bi v svoje iskanje vklju\u010dil parametre senzorjev (kot so uporabljeni spektralni pasovi) in na\u0161el najbolj\u0161o kombinacijo strojne opreme in modela.<\/p>\n 3. Multispektralna\/hiperspektralna integracija:<\/strong> Kot ka\u017ee \u0161tudija bolezni bomba\u017ea, lahko integracija multispektralnih posnetkov izbolj\u0161a odkrivanje, zlasti te\u017eav v zgodnji fazi. Prihodnji NAS bi lahko raziskali modele z ve\u010d tokovi, ki zdru\u017eujejo kanale RGB in bli\u017enje infrarde\u010de kanale za zanesljivej\u0161e zaznavanje subtilnih sprememb rastlin.<\/p>\n 4. Avtonomni procesi odlo\u010danja:<\/strong> Konec koncev lahko detektorji, optimizirani za NAS, omogo\u010dijo popolno avtonomijo. Na primer, dron lahko samodejno ustvari na\u010drt \u0161kropljenja ali opozori upravljavce kmetij, \u010de zazna dolo\u010dene pogoje. NAS, ki se zaveda uvajanja, bi se lahko raz\u0161iril na celovite cevovode (modeli zaznavanja + ukrepanja), s \u010dimer bi se optimiziral celoten sistem.<\/p>\n 5. Eti\u010dni in okoljski vidiki:<\/strong> Ker brezpilotni letalniki postajajo vse bolj zmogljivi, moramo upo\u0161tevati zasebnost, varnost zra\u010dnega prostora in vplive na kmetijsko delo (kot ugotavljata Agrawal in Arafat). Pomemben cilj v prihodnosti je zagotoviti, da se brezpilotni letalniki, optimizirani za NAS, v kmetijstvu uporabljajo odgovorno.<\/p>\n NAS, ki se zaveda uvedbe, predstavlja zmogljiv pristop k prilagajanju lahkih detektorjev objektov za spremljanje pridelkov z brezpilotnimi letalniki (UAV). Z vgradnjo strojne opreme brezpilotnih letalnikov in omejitev poslanstva v iskanje ustvarja modele, ki prihranijo pri izra\u010dunih in energiji, ne da bi pri tem \u017ertvovali veliko natan\u010dnost. Nedavno delo je na primer pokazalo, da detektor, zasnovan z NAS, uporablja 37% manj FLOP-ov in 61% manj parametrov kot referen\u010dni YOLOv8n, vendar se je njegov mAP zmanj\u0161al le za ~2%.<\/p>\n Na dejanski strojni opremi za drone je to pomenilo hitrej\u0161e sklepanje za 28% in bolj\u0161o energetsko u\u010dinkovitost za 18%. Tak\u0161ne izbolj\u0161ave se odra\u017eajo v dalj\u0161ih \u010dasih leta, hitrej\u0161i analizi in odzivnej\u0161i podpori kmetijstvu. V primerjavi z ro\u010dno izdelanimi modeli NAS, ki se zaveda uvajanja, zagotavlja bolj\u0161o posplo\u0161itev zmogljivosti, manj ro\u010dnega nastavljanja in prilagodljivost novim platformam UAV.<\/p>\n V kontekstu preciznega kmetijstva lahko te izbolj\u0161ave naredijo spremljanje pridelkov z brezpilotnimi letalniki (UAV) bolj prakti\u010dno in u\u010dinkovito. Droni, opremljeni z detektorji, optimiziranimi za NAS, lahko zanesljiveje zaznajo plevel, \u0161kodljivce ali stres, kar omogo\u010da pravo\u010dasne intervencije, ki prihranijo vire in pove\u010dajo donose. Ker kmetijstvo \u0161e naprej uvaja drone in umetno inteligenco, bo NAS, ki se zaveda uvajanja, igral osrednjo vlogo pri zagotavljanju, da so modeli, ki delujejo na teh dronih, u\u010dinkoviti, natan\u010dni in pripravljeni za uporabo na terenu. Premo\u0161\u010da vrzel med najsodobnej\u0161imi raziskavami nevronskih mre\u017e in prakti\u010dnimi potrebami kmetov ter pomaga pri usmerjanju prihodnosti preciznega kmetijstva, ki temelji na podatkih.<\/p>","protected":false},"excerpt":{"rendered":" Brezpilotna letala (UAV) ali droni spreminjajo sodobno kmetijstvo, saj omogo\u010dajo hitre posnetke polj iz zraka. Uporabljajo se za pregledovanje zdravja pridelkov,\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![\"Zahteve](\"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>\nLahki detektorji predmetov za platforme brezpilotnih letalnikov<\/h2>\n
![\"Lahki](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Lightweight-Object-Detectors-for-UAV-Platforms.webp?resize=810%2C810&ssl=1\")
<\/p>\nIskanje nevronske arhitekture v sistemih vida na osnovi brezpilotnih letalnikov<\/h2>\n
NAS, ki upo\u0161teva uvajanje: 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>\nVloga NAS, ki se zaveda uvajanja, pri spremljanju preciznega kmetijstva<\/h2>\n
![\"Vloga](\"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>\nZasnova iskalnega prostora za detektorje kmetijskih brezpilotnih letalnikov<\/h2>\n
Cilji in omejitve optimizacije<\/h2>\n
Usposabljanje in vrednotenje v realnih kmetijskih okoljih<\/h2>\n
![\"Usposabljanje](\"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 pred ro\u010dno zasnovanimi detektorji brezpilotnih letalnikov<\/h2>\n
Izzivi in omejitve<\/h2>\n
Prihodnje smeri<\/h2>\n
Zaklju\u010dek<\/h2>\n