2. Ogr\u00e4sidentifiering:<\/strong> Genom att uppt\u00e4cka ogr\u00e4s bland gr\u00f6dor kan jordbrukare bara spruta o\u00f6nskade v\u00e4xter, vilket sparar herbicider. Till exempel anv\u00e4nde en studie p\u00e5 bomullsf\u00e4lt UAV-bilder med en YOLOv7-baserad detektor och uppn\u00e5dde en noggrannhet p\u00e5 cirka 83% vid separering av ogr\u00e4s fr\u00e5n bomull. \u00c4nd\u00e5 \u00e4r det fortfarande sv\u00e5rt att skilja visuellt liknande ogr\u00e4s och gr\u00f6dor \u00e5t i r\u00f6riga f\u00e4ltbilder.<\/p>\n 3. Skadedjurs- och sjukdomsdetektering:<\/strong> Dr\u00f6nare kan uppt\u00e4cka utbrott (t.ex. gr\u00e4shoppor, insekter eller svampangrepp) tidigare \u00e4n m\u00e4nniskor till fots. Dr\u00f6nare st\u00f6der ocks\u00e5 kartl\u00e4ggning av skadedjursangripna zoner via multispektral avbildning, vilket f\u00f6rb\u00e4ttrar enbart RGB. Snabb och noggrann skadedjursdetektering \u00e4r avg\u00f6rande f\u00f6r att f\u00f6rhindra spridning.<\/p>\n 4. Avkastningsuppskattning:<\/strong> Att r\u00e4kna frukter, ax eller plantor fr\u00e5n luften hj\u00e4lper till att f\u00f6ruts\u00e4ga sk\u00f6rdevolymer. Modeller som tr\u00e4nats f\u00f6r att uppt\u00e4cka \u00e4pplen, meloner eller veteax p\u00e5 dr\u00f6narbilder kan p\u00e5skynda avkastningsuppskattningen. Till exempel har neurala n\u00e4tverk p\u00e5 dr\u00f6narbilder anv\u00e4nts f\u00f6r att r\u00e4kna vattenmelon- och melongr\u00f6dor p\u00e5 f\u00e4lt.<\/p>\n 5. Kartl\u00e4ggning och lantm\u00e4teri:<\/strong> Dr\u00f6nare skapar ocks\u00e5 f\u00e4ltkartor (topografi, jordm\u00e5nsskillnader) som hj\u00e4lper till att planera odling. \u00c4ven om det inte strikt sett handlar om objektdetektering, ing\u00e5r detta i dr\u00f6nar\u00f6vervakningen.<\/p>\n Dessa uppgifter kr\u00e4ver ofta slutsatser i n\u00e4ra realtid: en dr\u00f6nare som flyger \u00f6ver f\u00e4lt kan beh\u00f6va bearbeta videobildrutor i farten (flera bildrutor per sekund) s\u00e5 att kontrollbeslut (som att justera h\u00f6jd eller aktivera en spruta) kan fattas omedelbart. I andra fall kan sm\u00e5 f\u00f6rdr\u00f6jningar (sekunder) vara acceptabla om data loggas och analyseras efter landning.<\/p>\n Viktigt \u00e4r att dr\u00f6nares synf\u00f6rm\u00e5ga m\u00e5ste hantera milj\u00f6variationer: starkt solljus, skuggor, vindinducerad r\u00f6relseosk\u00e4rpa, ocklusion av \u00f6verlappande l\u00f6v eller f\u00f6r\u00e4ndringar i h\u00f6jd och vinkel. Objektstorlekar varierar (ogr\u00e4s p\u00e5 n\u00e4ra h\u00e5ll kontra skadedjurskluster p\u00e5 avst\u00e5nd), s\u00e5 detektorer m\u00e5ste hantera funktioner i flera skalor.<\/p>\n Slutligen inneb\u00e4r dr\u00f6nare inom jordbruket strikta avv\u00e4gningar mellan noggrannhet, latens och energi. H\u00f6g detekteringsnoggrannhet beh\u00f6vs f\u00f6r att undvika att missa ogr\u00e4s eller skadedjur, men att anv\u00e4nda ett mycket djupt n\u00e4tverk kan t\u00f6mma batteriet snabbt. En detekteringsmodell m\u00e5ste d\u00e4rf\u00f6r vara snabb och energieffektiv samtidigt som den \u00e4r tillr\u00e4ckligt noggrann f\u00f6r uppgiften. Dessa str\u00e4nga krav belyser varf\u00f6r specialiserad modelldesign beh\u00f6vs f\u00f6r dr\u00f6nare inom jordbruket.<\/p>\n L\u00e4tta objektdetektorer \u00e4r neurala n\u00e4tverk som \u00e4r specifikt utformade f\u00f6r att k\u00f6ras p\u00e5 begr\u00e4nsad h\u00e5rdvara. De anv\u00e4nder ofta sm\u00e5 stamn\u00e4t (som MobileNet eller ShuffleNet), reducerade lagerbredder eller f\u00f6renklade hals-\/huvuddesigner. Till exempel inkluderar YOLO-familjemodeller "nano"- och "tiny"-versioner (t.ex. YOLOv8n, YOLOv5s) som har f\u00e4rre parametrar och kr\u00e4ver f\u00e4rre operationer (FLOP).<\/p>\n S\u00e5dana detektorer kan k\u00f6ras med tiotals bildrutor per sekund p\u00e5 inbyggd h\u00e5rdvara som NVIDIA Jetson Nano eller Google Coral. Till exempel var Ag-YOLO en specialanpassad YOLO-baserad detektor f\u00f6r palmplantager som k\u00f6rdes med 36,5 fps p\u00e5 en Intel Neural Compute Stick 2 (med endast 1,5 W) och uppn\u00e5dde h\u00f6g noggrannhet (F1 = 0,9205). Denna modell anv\u00e4nde cirka 12 g\u00e5nger f\u00e4rre parametrar \u00e4n YOLOv3-Tiny samtidigt som den f\u00f6rdubblade sin hastighet.<\/p>\n Dessa exempel visar avv\u00e4gningarna i modelldesign: att minska en modells storlek eller komplexitet (t.ex. f\u00e4rre lager eller kanaler) brukar vanligtvis \u00f6ka inferensen och minska energif\u00f6rbrukningen, men kan minska noggrannheten. Ag-YOLO offrade viss kapacitet f\u00f6r att \u00f6ka hastighet och effektivitet, men bibeh\u00f6ll \u00e4nd\u00e5 ett h\u00f6gt F1-resultat p\u00e5 0,92 p\u00e5 sin uppgift.<\/p>\n P\u00e5 liknande s\u00e4tt j\u00e4mf\u00f6rdes tre YOLOv7-varianter f\u00f6r ogr\u00e4sdetektering: den fullst\u00e4ndiga YOLOv7 uppn\u00e5dde 83%-noggrannhet, medan ett mindre YOLOv7-w6-n\u00e4t sj\u00f6nk till 63%-noggrannhet. Detta illustrerar en begr\u00e4nsning hos generiska l\u00e4ttviktsdetektorer: modeller som \u00e4r inst\u00e4llda f\u00f6r en milj\u00f6 eller objekttyp kan prestera s\u00e4mre p\u00e5 en annan. En detektor som \u00e4r nedbantad f\u00f6r hastighet kan missa subtila signaler (t.ex. sm\u00e5 eller kamouflerade ogr\u00e4s), vilket f\u00f6rs\u00e4mrar robustheten under varierande f\u00f6rh\u00e5llanden.<\/p>\n Inom jordbruket kanske dessa generiska l\u00e4ttviktsn\u00e4tverk inte \u00e4r optimala utan ytterligare justeringar. Till exempel kanske en YOLOv7-modell som \u00e4r f\u00f6rtr\u00e4nad p\u00e5 vanliga datam\u00e4ngder inte hanterar de unika texturerna och skalorna hos gr\u00f6dbilder perfekt. D\u00e4rf\u00f6r finns det ett behov av uppgifts- och plattformsspecifik optimering av modellarkitekturen. Manuell justering (byte av lager, filter etc.) f\u00f6r varje ny dr\u00f6nartyp eller gr\u00f6dsort \u00e4r arbetsintensiv. Detta motiverar automatiserade metoder \u2013 s\u00e5som drifts\u00e4ttningsmedvetna NAS \u2013 f\u00f6r att hitta den b\u00e4sta balansen mellan storlek, noggrannhet och robusthet f\u00f6r en given UAV-plattform och jordbrukstill\u00e4mpning.<\/p>\n Neural Architecture Search (NAS) \u00e4r en automatiserad metod f\u00f6r att designa neurala n\u00e4tverksarkitekturer. Ist\u00e4llet f\u00f6r att manuellt st\u00e4lla in antalet lager, filter och anslutningar anv\u00e4nder NAS algoritmer (f\u00f6rst\u00e4rkningsinl\u00e4rning, evolution\u00e4ra metoder eller gradientbaserad s\u00f6kning) f\u00f6r att utforska ett utrymme av m\u00f6jliga designer och hitta de som optimerar ett valt m\u00e5l (som noggrannhet).<\/p>\n NAS har redan anv\u00e4nts f\u00f6r att skapa mobilv\u00e4nliga n\u00e4tverk. Till exempel var Googles MnasNet en banbrytande "plattformsmedveten" NAS som direkt inkluderade verklig enhetslatens i m\u00e5let. MnasNet m\u00e4tte inferenstiden p\u00e5 en Google Pixel-telefon f\u00f6r varje kandidatmodell under s\u00f6kningen och balanserade noggrannheten mot denna uppm\u00e4tta latens. Resultatet blev en familj av CNN-n\u00e4tverk som var b\u00e5de snabba och exakta p\u00e5 mobil h\u00e5rdvara och \u00f6vertr\u00e4ffade manuellt designade MobileNets och NASNet-modeller p\u00e5 ImageNet.<\/p>\n Generiska NAS-metoder som MnasNet fokuserar dock p\u00e5 generella visionsuppgifter (ImageNet-klassificering eller COCO-detektering) och allm\u00e4n h\u00e5rdvara (t.ex. mobiltelefoner). F\u00f6r \u00f6vervakning av gr\u00f6dor med dr\u00f6nare \u00e4r problemet mer specialiserat. Vi vill ha detektorer som \u00e4r optimerade f\u00f6r specifika objektklasser (v\u00e4xter, ogr\u00e4s, skadedjur) och skr\u00e4ddarsydda f\u00f6r dr\u00f6narens sensorer och flygprofil. En standard-NAS som endast optimerar f\u00f6r noggrannhet eller generisk latens kan f\u00f6rbise nyanser som detektering av sm\u00e5 objekt eller energibegr\u00e4nsningar.<\/p>\n Dessutom kan traditionella NAS-metoder vara mycket ber\u00e4kningsm\u00e4ssigt dyra (vilket ofta kr\u00e4ver dagar p\u00e5 stora GPU-kluster), vilket inte alltid \u00e4r praktiskt f\u00f6r jordbruksforskare. D\u00e4rf\u00f6r beh\u00f6vs uppgiftsspecifika NAS-ramverk f\u00f6r UAV-seende. Dessa m\u00e5ste inneh\u00e5lla UAV-relevanta kriterier och vara s\u00e5 effektiva som m\u00f6jligt.<\/p>\n I samtliga fall \u00e4r medvetenhet om begr\u00e4nsningar avg\u00f6rande: NAS:en m\u00e5ste vara medveten om m\u00e5lenhetens begr\u00e4nsningar (liknande MnasNet) och realtidskraven f\u00f6r UAV-uppgifter under flygning. Om s\u00f6kningen \u00e4r f\u00f6r l\u00e5ngsam eller ignorerar energif\u00f6rbrukningen kanske den resulterande modellen inte fungerar bra i f\u00e4lt.<\/p>\n I praktiken skulle NAS f\u00f6r UAV-vision inkludera h\u00e5rdvaruf\u00f6rdr\u00f6jning och energi direkt i s\u00f6kmetriken. Till exempel skulle man kunna m\u00e4ta en kandidatdetektors bildfrekvens p\u00e5 den faktiska dr\u00f6nardatorn (som en NVIDIA Jetson) och anv\u00e4nda det som en po\u00e4ng. Detta st\u00e5r i kontrast till att anv\u00e4nda enkla proxyservrar som FLOP, som inte f\u00e5ngar verklig hastighet.<\/p>\n Genom att g\u00f6ra det kan NAS:en uppt\u00e4cka arkitekturer som b\u00e4st utnyttjar enhetens funktioner. Sammanfattningsvis erbjuder NAS ett s\u00e4tt att automatiskt designa detektorer f\u00f6r dr\u00f6nare, men det m\u00e5ste anpassas f\u00f6r att ta h\u00e4nsyn till dr\u00f6narespecifika uppgifter och effektivitetskrav.<\/p>\n En drifts\u00e4ttningsmedveten NAS ut\u00f6kar h\u00e5rdvarumedveten NAS genom att inkludera drifts\u00e4ttningskontext och milj\u00f6begr\u00e4nsningar i designprocessen. Med andra ord tar den inte bara h\u00e4nsyn till dr\u00f6narens h\u00e5rdvara (CPU\/GPU-hastighet, minnesgr\u00e4nser, energibudget) utan ocks\u00e5 till vad dr\u00f6naren faktiskt kommer att st\u00f6ta p\u00e5 i f\u00e4lt. Detta inneb\u00e4r att explicit optimera f\u00f6r m\u00e4tv\u00e4rden som inferenslatens p\u00e5 m\u00e5lenheten, str\u00f6mf\u00f6rbrukning och minnesavtryck, samtidigt som man fortfarande efterstr\u00e4var h\u00f6g detekteringsnoggrannhet.<\/p>\n Till exempel, under NAS skulle man kunna drifts\u00e4tta varje kandidatmodell p\u00e5 en Jetson Nano kopplad till dr\u00f6naren och registrera dess verkliga inferensf\u00f6rbrukning av tid och energi. Denna empiriska feedback hj\u00e4lper till att v\u00e4gleda s\u00f6kningen mot modeller som verkligen uppfyller drifts\u00e4ttningskriterierna.<\/p>\n H\u00e5rdvarumedvetna NAS (som MnasNet) fokuserar p\u00e5 enhetsstatistik, medan drifts\u00e4ttningsmedvetna NAS g\u00e5r l\u00e4ngre: de kan ta h\u00e4nsyn till sensorns ing\u00e5ngsegenskaper (t.ex. bilduppl\u00f6sning, multispektrala kanaler) och applikationslatensm\u00e5l (antal bildrutor per sekund som beh\u00f6vs). De kan till och med inkludera flygbegr\u00e4nsningar som maximalt till\u00e5tet minne eller inkludera utv\u00e4rderingar under simulerade vindskakningar eller r\u00f6relseosk\u00e4rpa.<\/p>\n En drifts\u00e4ttningsmedveten NAS kan missgynna arkitekturer som \u00f6verskrider, s\u00e4g, 5 W str\u00f6mf\u00f6rbrukning eller som beh\u00f6ver mer minne \u00e4n vad dr\u00f6naren har. Genom att g\u00f6ra det snedvrids s\u00f6kningen naturligt mot praktiska modeller f\u00f6r dr\u00f6narens f\u00e4ltoperationer. I grund och botten handlar en drifts\u00e4ttningsmedveten NAS om att sluta loopen mellan modelldesign och verklig anv\u00e4ndning. Snarare \u00e4n att v\u00e4lja en arkitektur isolerat och hoppas att den fungerar, inkluderar den systematiskt testning av verkliga enheter under s\u00f6kningen.<\/p>\n Till exempel anv\u00e4nde Kerec et al. (2026) ett s\u00e5dant ramverk f\u00f6r att s\u00f6ka efter en UAV-detektor: de byggde p\u00e5 en YOLOv8n-baslinje men inkluderade Jetson Nano-latens och energi i s\u00f6kningen. Den resulterande modellen hade 37% f\u00e4rre GFLOP:er och 61% f\u00e4rre parametrar \u00e4n YOLOv8n, med endast en minskning av mAP p\u00e5 1,96%. Detta visar tydligt hur distributionsbegr\u00e4nsningar styrde NAS:en till ett mycket l\u00e4ttare och snabbare n\u00e4tverk.<\/p>\n En drifts\u00e4ttningsmedveten NAS kan avsev\u00e4rt f\u00f6rb\u00e4ttra \u00f6vervakningen av dr\u00f6nares gr\u00f6dor genom att skr\u00e4ddarsy detektorer till jordbruksf\u00f6rh\u00e5llanden. Till exempel kan en s\u00f6kning gynna arkitekturer som utm\u00e4rker sig vid att uppt\u00e4cka sm\u00e5, tunna objekt (som smala ogr\u00e4s eller tunna majsplantor) eller vid att skilja v\u00e4xter fr\u00e5n jordbakgrund. Den kan justera n\u00e4tverksdjup och receptiva f\u00e4lt till den typiska flygh\u00f6jden: p\u00e5 l\u00e5g h\u00f6jd fyller objekt bilden och kan kr\u00e4va fina detaljer, medan n\u00e4tverket p\u00e5 h\u00f6gre h\u00f6jd b\u00f6r vara bra p\u00e5 sm\u00e5skalig detektion. En drifts\u00e4ttningsmedveten NAS kan koda dessa krav i sitt s\u00f6kutrymme.<\/p>\n Hastighet \u00e4r avg\u00f6rande i f\u00e4lt. T\u00e4nk dig att en dr\u00f6nare uppt\u00e4cker ett skadedjursutbrott; om modellen \u00e4r tillr\u00e4ckligt snabb f\u00f6r att bearbeta video i, s\u00e4g, 30 fps, kan den varna piloten eller utl\u00f6sa en omedelbar behandlings\u00e5tg\u00e4rd. I tester k\u00f6rde en NAS-designad modell 28% snabbare p\u00e5 en Jetson Nano \u00e4n standard YOLOv8n, tack vare dess optimerade arkitektur. Den f\u00f6rbrukade ocks\u00e5 18,5% mindre energi under ONNX-k\u00f6rtid, vilket inneb\u00e4r att dr\u00f6naren kan flyga l\u00e4ngre p\u00e5 samma batteri. Dessa vinster g\u00f6r beslutsfattande under flygning mer genomf\u00f6rbart och f\u00f6rl\u00e4nger uppdragets varaktighet.<\/p>\n Robusthet \u00e4r en annan f\u00f6rdel. Eftersom en drifts\u00e4ttningsmedveten NAS involverar faktisk enhetsutv\u00e4rdering kan s\u00f6kningen inkludera tester under varierande f\u00f6rh\u00e5llanden. Den kan till exempel simulera svagt ljus eller inkludera tr\u00e4ningsbilder fr\u00e5n gryning och skymning, vilket s\u00e4kerst\u00e4ller att den slutliga detektorn bibeh\u00e5ller noggrannhet under verkliga v\u00e4der- och ljusf\u00f6r\u00e4ndringar. Arbetet visade att den NAS-baserade detektorn generaliserade v\u00e4l: de testade den p\u00e5 tv\u00e5 olika gr\u00f6ddataset (vetehuvuden och bomullsplantor) och fann stark prestanda f\u00f6r b\u00e5da.<\/p>\n Detta tyder p\u00e5 att drifts\u00e4ttningsmedvetna NAS hj\u00e4lpte till att hitta gemensamma, anv\u00e4ndbara funktioner f\u00f6r jordbruket, vilket f\u00f6rb\u00e4ttrade generaliseringen till nya f\u00e4lt. Sammantaget bidrar drifts\u00e4ttningsmedvetna NAS till att balansera noggrannhet med l\u00e4ngre flygtid. Genom att minska ber\u00e4kningsbehovet f\u00f6rbrukar dr\u00f6nare mindre str\u00f6m och kan t\u00e4cka ett st\u00f6rre omr\u00e5de per batteriladdning, samtidigt som de fortfarande uppt\u00e4cker gr\u00f6dor och skadedjur p\u00e5 ett tillf\u00f6rlitligt s\u00e4tt.<\/p>\n En viktig del av en drifts\u00e4ttningsmedveten NAS \u00e4r s\u00f6kutrymmet \u2013 den upps\u00e4ttning m\u00f6jliga n\u00e4tverksdesigner som beaktas. F\u00f6r UAV-gr\u00f6ddetektorer kan s\u00f6kutrymmet utformas f\u00f6r att inkludera lovande arkitekturer f\u00f6r detta omr\u00e5de. Viktiga delar inkluderar:<\/p>\n 1. Ryggradsdesign:<\/strong> Ryggraden \u00e4r funktionsextraktorn. F\u00f6r dr\u00f6nare kan man inkludera l\u00e4tta faltningsbyggstenar s\u00e5som djupvis separerbara faltningar (som anv\u00e4nds i MobileNet), eller inverterade residualblock. Inverterade residualer och linj\u00e4ra flaskhalsar (MobileNetV2-stil) \u00e4r v\u00e4lk\u00e4nda f\u00f6r mobil effektivitet. S\u00f6kutrymmet kan till\u00e5ta variation av bredden (antalet kanaler) och djupet f\u00f6r varje block f\u00f6r att matcha dr\u00f6narens ber\u00e4kningsbudget. Uppm\u00e4rksamhets- eller transformatorinspirerade moduler kan ocks\u00e5 inkluderas om dr\u00f6naren har r\u00e5d med dem vid l\u00e5g effekt.<\/p>\n 2. Halsdesign:<\/strong> M\u00e5nga objektdetektorer anv\u00e4nder funktionspyramider (FPN) eller v\u00e4gaggregeringsn\u00e4tverk f\u00f6r att kombinera flerskaliga funktioner. S\u00f6kningen skulle kunna utforska f\u00f6renklade FPN eller l\u00e4ttviktig funktionsaggregering. Till exempel kan anv\u00e4ndning av ett enskaligt huvud kontra flerskaliga huvuden vara alternativ. Utrymmet kan m\u00f6jligg\u00f6ra poolning av lager eller hoppa \u00f6ver kopplingar som hj\u00e4lper till att detektera objekt i olika storlekar.<\/p>\n 3. Huvuddesign:<\/strong> Detektionshuvudet (klassificerings- och boxregressionslager) kan ocks\u00e5 varieras. F\u00f6r dr\u00f6nare som tittar p\u00e5 enhetliga f\u00e4lt kan ett enklare huvud r\u00e4cka. Men f\u00f6r att uppt\u00e4cka sm\u00e5 ogr\u00e4s kan s\u00f6kningen inkludera extra faltningslager eller olika ankarscheman.<\/p>\n 4. L\u00e4ttviktsoperationer:<\/strong> S\u00f6kutrymmet kan explicit endast till\u00e5ta l\u00e5gkostnadsoperationer. Till exempel att v\u00e4lja mellan en 3\u00d73-konvertering kontra en billigare 1\u00d73+3\u00d71 faktoriserad konvertering, eller att inkludera GhostNet-moduler. Det kan ocks\u00e5 till\u00e5ta sm\u00e5 k\u00e4rnstorlekar eller reducerade dimensioner f\u00f6r att begr\u00e4nsa ber\u00e4kningen. Alla dessa val styrs av h\u00e5rdvaran. Utrymmet kan f\u00f6rbjuda lagerkonfigurationer som \u00f6verskrider dr\u00f6narens minnesgr\u00e4ns eller f\u00f6rv\u00e4ntade energitr\u00f6skel.<\/p>\n Genom att noggrant utforma detta s\u00f6kutrymme styrs NAS-processen mot effektiva men \u00e4nd\u00e5 \u00e4ndam\u00e5lsenliga arkitekturer. Resultatet kan bli en ny kombination av block som inte beaktas i standardmodeller. Den b\u00e4st funna detektorn anv\u00e4nde anpassade blockval som minskade GFLOP med 37% och parametrar med 61% j\u00e4mf\u00f6rt med YOLOv8n.<\/p>\n Detta var m\u00f6jligt eftersom NAS-enheten kunde blanda och matcha stam- och huvudelement under UAV-begr\u00e4nsningarna. Sammanfattningsvis fokuserar s\u00f6komr\u00e5det f\u00f6r jordbruks-UAV-detektorer p\u00e5 skalbara, l\u00e4tta byggstenar och hantering i flera skalor, allt inom gr\u00e4nserna f\u00f6r den inbyggda h\u00e5rdvaran.<\/p>\n En drifts\u00e4ttningsmedveten NAS m\u00e5ste jonglera flera m\u00e5l. Det prim\u00e4ra m\u00e5let \u00e4r vanligtvis detektionsnoggrannhet (t.ex. genomsnittlig precision, mAP), m\u00e4tt p\u00e5 gr\u00f6d\u00f6vervakningsdataset. Till exempel \u00e4r mAP@50 (noggrannhet vid 50% IOU) ett vanligt m\u00e5tt. Den NAS-optimerade modellen hade bara en minskning p\u00e5 1,96% i mAP@50 j\u00e4mf\u00f6rt med bas-YOLOv8n, en mycket liten f\u00f6rlust f\u00f6r de uppn\u00e5dda vinsterna. Precision och \u00e5terkallelse (eller F1-po\u00e4ng) p\u00e5 nyckelklasser (ogr\u00e4s, gr\u00f6dor) beaktas ocks\u00e5.<\/p>\n Samtidigt m\u00e5ste latens och energi optimeras. Latens \u00e4r inferenstiden per bild; f\u00f6r en inb\u00e4ddad GPU kan den vara 20\u201350 ms eller mer. L\u00e4gre latens inneb\u00e4r h\u00f6gre bildhastigheter. Energif\u00f6rbrukning (joule per bildruta) \u00e4r avg\u00f6rande f\u00f6r flyguth\u00e5llighet. Minnesutrymme (antal parametrar, modellstorlek) \u00e4r en annan begr\u00e4nsning; modeller m\u00e5ste passa in i enhetens RAM-minne. D\u00e4rf\u00f6r s\u00e4tter NAS vanligtvis ett m\u00e5l eller en straffavgift f\u00f6r dessa begr\u00e4nsningar.<\/p>\n Till exempel kan alla modeller som \u00e4r l\u00e5ngsammare \u00e4n ett visst tr\u00f6skelv\u00e4rde eller \u00f6ver en parameterbudget nedgraderas. Detta f\u00f6rvandlar NAS i praktiken till ett optimeringsproblem med flera m\u00e5l: maximera noggrannhet samtidigt som latens, energi och storlek minimeras.<\/p>\n I praktiken skulle detta kunna g\u00f6ras genom en viktad summa av m\u00e5l eller genom h\u00e5rda begr\u00e4nsningar. Vissa metoder ger en stor straffavgift till alla kandidater som \u00f6verskrider dr\u00f6narens effektgr\u00e4ns. Andra ber\u00e4knar explicit ett energim\u00e5tt: modeller testades under ONNX-k\u00f6rning f\u00f6r att m\u00e4ta "energieffektivitet", och den b\u00e4sta modellen var +18,5% mer energieffektiv \u00e4n YOLOv8n. Detta var ett av m\u00e5len som v\u00e4gledde deras s\u00f6kning.<\/p>\n De avv\u00e4gningar som hittats kan visualiseras p\u00e5 en Pareto-gr\u00e4nslinje: i ena \u00e4nden, extremt snabba sm\u00e5 modeller med l\u00e4gre noggrannhet; i den andra, stora, exakta modeller som \u00e4r f\u00f6r l\u00e5ngsamma eller str\u00f6mslukande f\u00f6r en dr\u00f6nare. En drifts\u00e4ttningsmedveten NAS syftar till att hitta en optimal punkt p\u00e5 denna gr\u00e4nslinje som matchar de verkliga uppdragsprioriteringarna (t.ex. liten noggrannhetsf\u00f6rlust f\u00f6r en stor hastighets\u00f6kning). Sammanfattningsvis m\u00e5ste NAS:en beakta noggrannhetsm\u00e5tt (mAP, F1) och inferensbegr\u00e4nsningar (ms per bildruta, joule per bildruta, minne) tillsammans. Denna balanserade optimering \u00e4r det som g\u00f6r en modell verkligt drifts\u00e4ttningsklar f\u00f6r UAV-anv\u00e4ndning.<\/p>\n F\u00f6r att de detektorer som hittats av NAS ska fungera bra m\u00e5ste de tr\u00e4nas och testas p\u00e5 realistiska jordbruksdata. Det inneb\u00e4r att man anv\u00e4nder datam\u00e4ngder som f\u00e5ngar variationen hos verkliga f\u00e4lt: olika gr\u00f6darter, tillv\u00e4xtstadier, \u00e5rstider, ljusf\u00f6rh\u00e5llanden och h\u00f6jder \u00f6ver havet. Till exempel kanske tr\u00e4ning p\u00e5 bilder av endast unga majsskott inte generaliseras till mogna vetehuvuden. F\u00e4ltrepresentativa datam\u00e4ngder s\u00e4kerst\u00e4ller att modellen l\u00e4r sig funktioner som \u00e4r viktiga p\u00e5 g\u00e5rden. Dataf\u00f6rst\u00e4rkning (slumpm\u00e4ssiga gr\u00f6dor, ljusstyrkef\u00f6r\u00e4ndringar, r\u00f6relseosk\u00e4rpa) kan ocks\u00e5 till\u00e4mpas under tr\u00e4ning f\u00f6r att efterlikna dr\u00f6narr\u00f6relser och belysning.<\/p>\n Vid utv\u00e4rdering \u00e4r det viktigt att testa modellen under s\u00e5 verkliga f\u00f6rh\u00e5llanden som m\u00f6jligt. Simuleringsverktyg kan hj\u00e4lpa (t.ex. att flyga virtuell dr\u00f6nare \u00f6ver 3D-f\u00e4lt) men verkliga flygtester \u00e4r guldstandarden. Benchmarking ombord utf\u00f6rs genom att k\u00f6ra modellen p\u00e5 den faktiska dr\u00f6narh\u00e5rdvaran. Efter NAS driftsatte de kandidaten p\u00e5 en Jetson Nano och m\u00e4tte 28.1% snabbare inferens (j\u00e4mf\u00f6rt med baslinjens YOLOv8n) och b\u00e4ttre energianv\u00e4ndning. Denna typ av feedback fr\u00e5n verkliga enheter bekr\u00e4ftar att s\u00f6kningen producerade en modell som verkligen uppfyller kraven.<\/p>\n Generalisering \u00e4r ocks\u00e5 avg\u00f6rande. En modell kan s\u00f6kas igenom och tr\u00e4nas p\u00e5 en gr\u00f6da (t.ex. vete), men jordbrukare beh\u00f6ver detektorer som fungerar \u00f6ver flera f\u00e4lt. Studien visade stark generalisering mellan gr\u00f6dor: den NAS-deriverade detektorn som tr\u00e4nats p\u00e5 en uppgift presterade fortfarande bra p\u00e5 en annan gr\u00f6ddataupps\u00e4ttning (bomullsplantor) utan omtr\u00e4ning. Detta tyder p\u00e5 att implementeringsmedvetna NAS kan ge robusta arkitekturer. Dom\u00e4nf\u00f6rskjutningar (t.ex. flytt fr\u00e5n majsf\u00e4lt till frukttr\u00e4dg\u00e5rdar) kan dock fortfarande kr\u00e4va finjustering eller ytterligare s\u00f6kning. Testning \u00f6ver flera s\u00e4songer (sommar- kontra h\u00f6stbilder) rekommenderas ocks\u00e5.<\/p>\n Slutligen b\u00f6r varje ny modell testas p\u00e5 dr\u00f6narplattformen f\u00f6re drifts\u00e4ttning. Detta inkluderar att logga dess noggrannhet och hastighet p\u00e5 dr\u00f6nare, s\u00e4kerst\u00e4lla att h\u00e5rdvaran inte \u00f6verhettas och verifiera str\u00f6mf\u00f6rbrukningen. F\u00f6rst d\u00e5 kan jordbrukare lita p\u00e5 den f\u00f6r verksamhetskritisk \u00f6vervakning. Genom att kombinera f\u00e4ltrelevant utbildning och rigor\u00f6s h\u00e5rdvaruutv\u00e4rdering ger drifts\u00e4ttningsmedvetna NAS detektorer som inte bara \u00e4r teoretiskt effektiva, utan ocks\u00e5 bevisade i f\u00e4lt.<\/p>\n Drifts\u00e4ttningsmedvetna NAS erbjuder flera tydliga f\u00f6rdelar j\u00e4mf\u00f6rt med traditionella, manuellt utformade modeller f\u00f6r dr\u00f6nare:<\/p>\n 1. Avv\u00e4gningar f\u00f6r b\u00e4ttre prestanda:<\/strong> De modeller som hittats i NAS tenderar att ge h\u00f6gre kombinationer av noggrannhet, hastighet och energieffektivitet. Till exempel k\u00f6rde den b\u00e4sta modellen 28% snabbare och anv\u00e4nde 18,5% mindre energi p\u00e5 Jetson Nano \u00e4n den manuellt valda YOLOv8n-baslinjen, samtidigt som den bara f\u00f6rlorade ~2% i detektions-mAP. Att uppn\u00e5 en s\u00e5dan balans manuellt skulle vara mycket sv\u00e5rt.<\/p>\n 2. F\u00f6rb\u00e4ttrad generalisering:<\/strong> Modeller som uppt\u00e4cks av NAS kan vara mer anpassningsbara till nya f\u00f6rh\u00e5llanden, eftersom s\u00f6kningen kan inneh\u00e5lla olika data eller m\u00e5l. Den automatiskt utformade detektorn generaliserade v\u00e4l \u00f6ver olika gr\u00f6dtyper (vete och bomull) och ljusf\u00f6rh\u00e5llanden. Denna breda robusthet \u00e4r avg\u00f6rande n\u00e4r flygningar st\u00f6ter p\u00e5 ov\u00e4ntade scener.<\/p>\n 3. Minskad teknisk insats:<\/strong> NAS automatiserar mycket trial-and-error. Ist\u00e4llet f\u00f6r att manuellt justera lagerstorlekar och testa m\u00e5nga kandidater, utforskar en drifts\u00e4ttningsmedveten NAS iterativt alternativ och hittar den b\u00e4sta designen f\u00f6r dig. Detta sparar utvecklingstid och expertis, vilket g\u00f6r det enklare att uppdatera detektorer f\u00f6r nya uppgifter eller h\u00e5rdvara.<\/p>\n 4. Skalbarhet:<\/strong> N\u00e4r NAS-ramverket v\u00e4l \u00e4r konfigurerat kan det anv\u00e4ndas f\u00f6r olika UAV-plattformar eller uppdrag. Till exempel kan samma drifts\u00e4ttningsmedvetna NAS s\u00f6ka efter en detektor som \u00e4r inst\u00e4lld p\u00e5 en annan kamerauppl\u00f6sning eller dr\u00f6narmodell genom att helt enkelt \u00e4ndra begr\u00e4nsningsing\u00e5ngarna. Detta \u00e4r mycket mer skalbart \u00e4n att omdesigna n\u00e4tverk fr\u00e5n grunden f\u00f6r varje scenario.<\/p>\n En drifts\u00e4ttningsmedveten NAS \u00e4r kraftfull men inte en mirakelkur. Den m\u00e5ste till\u00e4mpas medvetet, med medvetenhet om sina resurskrav och variationen i m\u00e5lmilj\u00f6n. Trots sitt l\u00f6fte har en drifts\u00e4ttningsmedveten NAS utmaningar:<\/p>\n 1. H\u00f6g s\u00f6kkostnad:<\/strong> NAS kan kr\u00e4va omfattande ber\u00e4kningar. \u00c4ven med effektiva algoritmer kan det ta m\u00e5nga GPU-timmar (eller specialiserad ber\u00e4kning) att s\u00f6ka i arkitekturutrymme. Om det inte hanteras noggrant kan s\u00f6kkostnaden vara o\u00f6verkomlig f\u00f6r vissa team.<\/p>\n 2. Databias och dom\u00e4nskifte:<\/strong> NAS-systemet \u00e4r bara s\u00e5 bra som de data som anv\u00e4nds. Om tr\u00e4ningsbilderna inte \u00e4r representativa f\u00f6r f\u00e4ltf\u00f6rh\u00e5llandena kan den funna arkitekturen underprestera i verkligheten. Till exempel kanske en modell som \u00e4r inst\u00e4lld p\u00e5 en gr\u00f6dtyp eller ett geografiskt omr\u00e5de inte \u00f6verf\u00f6rs perfekt till en annan utan ytterligare anpassning.<\/p>\n 3. H\u00e5rdvaruheterogenitet:<\/strong> UAV-h\u00e5rdvara finns i m\u00e5nga varianter (olika inbyggda GPU:er, processorer, FPGA:er). En modell som \u00e4r optimerad f\u00f6r ett kort kanske inte \u00e4r optimal p\u00e5 ett annat. En drifts\u00e4ttningsmedveten NAS m\u00e5ste antingen k\u00f6ra om s\u00f6kningar f\u00f6r varje plattform eller anv\u00e4nda konservativa begr\u00e4nsningar som passar alla \u2013 vilket kan begr\u00e4nsa prestandan.<\/p>\n 4. Praktiska begr\u00e4nsningar:<\/strong> Verkliga jordbruksinstallationer involverar problem som n\u00e4tverksuppdateringar tr\u00e5dl\u00f6st, systemintegration med flygkontroll och s\u00e4kerhetscertifiering. \u00c4ven den b\u00e4sta NAS-modellen m\u00e5ste integreras i ett komplett dr\u00f6narsystem. Att koordinera modelluppdateringar, myndighetsgodk\u00e4nnanden och utbildning av lantbrukare \u00e4r icke-tekniska hinder.<\/p>\n Framtiden kommer sannolikt att inneb\u00e4ra en \u00e4nnu t\u00e4tare integration av modelldesign, sensorteknik och UAV-kontroll. Implementeringsmedvetna NAS kommer att f\u00f6rbli ett viktigt verktyg i denna samdesignprocess. Fram\u00f6ver dyker flera sp\u00e4nnande v\u00e4gar upp:<\/p>\n 1. Online- och adaptiv NAS:<\/strong> Ist\u00e4llet f\u00f6r en eng\u00e5ngss\u00f6kning offline kan framtida system justera n\u00e4tverket i realtid eller mellan flygningar. Till exempel kan en dr\u00f6nare b\u00f6rja med en basmodell och, med hj\u00e4lp av l\u00e4tta NAS-algoritmer, justera sig sj\u00e4lv f\u00f6r att hantera nya ljus- eller terr\u00e4ngf\u00f6rh\u00e5llanden under f\u00e4rd. Denna "NAS p\u00e5 enheten" \u00e4r mycket utmanande men skulle kunna f\u00f6rb\u00e4ttra anpassningsf\u00f6rm\u00e5gan avsev\u00e4rt.<\/p>\n 2. Samdesign av sensorer och modeller:<\/strong> Framtida precisionsjordbrukssystem skulle gemensamt kunna optimera valet av kamera (RGB, multispektral, infrar\u00f6d) och det neurala n\u00e4tverket. En drifts\u00e4ttningsmedveten NAS skulle kunna ut\u00f6kas till att inkludera sensorparametrar (som anv\u00e4nda spektralband) i sin s\u00f6kning och hitta den b\u00e4sta kombinationen av h\u00e5rdvara och modell.<\/p>\n 3. Multispektral\/hyperspektral integration:<\/strong> Som studien om bomullssjukdomen antyder kan integrering av multispektrala bilder f\u00f6rb\u00e4ttra uppt\u00e4ckten, s\u00e4rskilt av problem i tidiga skeden. Framtida NAS skulle kunna utforska multistr\u00f6msmodeller som kombinerar RGB- och n\u00e4ra-infrar\u00f6da kanaler f\u00f6r att uppt\u00e4cka subtila f\u00f6r\u00e4ndringar i v\u00e4xter mer tillf\u00f6rlitligt.<\/p>\n 4. Autonoma beslutsr\u00f6r:<\/strong> I slut\u00e4ndan kan NAS-optimerade detektorer ge fullst\u00e4ndig autonomi. Till exempel kan en dr\u00f6nare automatiskt generera en sprutplan eller varna g\u00e5rdschefer om den uppt\u00e4cker vissa f\u00f6rh\u00e5llanden. En drifts\u00e4ttningsmedveten NAS skulle kunna ut\u00f6kas till helt\u00e4ckande pipelines (detekterings- och \u00e5tg\u00e4rdsmodeller), vilket optimerar hela systemet.<\/p>\n 5. Etiska och milj\u00f6m\u00e4ssiga \u00f6verv\u00e4ganden:<\/strong> I takt med att dr\u00f6nare blir mer kapabla m\u00e5ste vi beakta integritet, luftrumss\u00e4kerhet och p\u00e5verkan p\u00e5 jordbruksarbete (som Agrawal och Arafat noterat). Att s\u00e4kerst\u00e4lla att NAS-optimerade dr\u00f6nare anv\u00e4nds ansvarsfullt inom jordbruket \u00e4r ett viktigt framtida m\u00e5l.<\/p>\n En drifts\u00e4ttningsmedveten NAS representerar en kraftfull metod f\u00f6r att skr\u00e4ddarsy l\u00e4ttviktsdetektorer f\u00f6r UAV-baserad gr\u00f6d\u00f6vervakning. Genom att b\u00e4dda in UAV-h\u00e5rdvara och uppdragsbegr\u00e4nsningar i s\u00f6kningen produceras modeller som sparar ber\u00e4kningar och energi utan att offra mycket noggrannhet. Till exempel visade nyligen genomf\u00f6rt arbete att en NAS-designad detektor anv\u00e4nde 37% f\u00e4rre FLOP:er och 61% f\u00e4rre parametrar \u00e4n referensen YOLOv8n, men dess mAP minskade med bara ~2%.<\/p>\n P\u00e5 faktisk dr\u00f6narh\u00e5rdvara innebar detta snabbare inferens och b\u00e4ttre energieffektivitet. S\u00e5dana vinster leder till l\u00e4ngre flygtider, snabbare analys och mer responsivt jordbruksst\u00f6d. J\u00e4mf\u00f6rt med manuellt utformade modeller ger drifts\u00e4ttningsmedvetna NAS b\u00e4ttre prestandageneralisering, mindre manuell justeringsanstr\u00e4ngning och skalbarhet till nya UAV-plattformar.<\/p>\n I samband med precisionsjordbruk kan dessa f\u00f6rb\u00e4ttringar g\u00f6ra dr\u00f6nare f\u00f6r gr\u00f6d\u00f6vervakning mer praktisk och effektiv. Dr\u00f6nare utrustade med NAS-optimerade detektorer kan mer tillf\u00f6rlitligt uppt\u00e4cka ogr\u00e4s, skadedjur eller stress, vilket m\u00f6jligg\u00f6r snabba insatser som sparar resurser och \u00f6kar avkastningen. I takt med att jordbruket forts\u00e4tter att anv\u00e4nda dr\u00f6nare och AI kommer drifts\u00e4ttningsmedvetna NAS att spela en central roll f\u00f6r att s\u00e4kerst\u00e4lla att modellerna som k\u00f6rs p\u00e5 dessa dr\u00f6nare \u00e4r effektiva, exakta och f\u00e4ltklara. Det \u00f6verbryggar klyftan mellan banbrytande forskning om neurala n\u00e4tverk och jordbrukarnas praktiska behov, vilket bidrar till att driva framtiden f\u00f6r datadrivet precisionsjordbruk.<\/p>","protected":false},"excerpt":{"rendered":" Obemannade luftfarkoster (UAV), eller dr\u00f6nare, f\u00f6r\u00e4ndrar det moderna jordbruket genom att ge snabba flygbilder av f\u00e4lt. De anv\u00e4nds f\u00f6r att skanna gr\u00f6dor f\u00f6r att kontrollera h\u00e4lsa,\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![\"Krav](\"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>\nL\u00e4tta objektdetektorer f\u00f6r UAV-plattformar<\/h2>\n
![\"L\u00e4tta](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Lightweight-Object-Detectors-for-UAV-Platforms.webp?resize=810%2C810&ssl=1\")
<\/p>\nNeural arkitekturs\u00f6kning i UAV-baserade visionssystem<\/h2>\n
Implementeringsmedveten NAS: K\u00e4rnprinciper<\/h2>\n
![\"Implementeringsmedveten](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Deployment-Aware-NAS-Core-Principles.webp?resize=810%2C810&ssl=1\")
<\/p>\nRollen av drifts\u00e4ttningsmedveten NAS i \u00f6vervakning av precisionsjordbruk<\/h2>\n
![\"Rollen](\"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>\nS\u00f6kutrymmesdesign f\u00f6r jordbruks-UAV-detektorer<\/h2>\n
Optimeringsm\u00e5l och begr\u00e4nsningar<\/h2>\n
Utbildning och utv\u00e4rdering i realistiska jordbruksmilj\u00f6er<\/h2>\n
![\"Utbildning](\"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>\nF\u00f6rdelar j\u00e4mf\u00f6rt med manuellt konstruerade UAV-detektorer<\/h2>\n
Utmaningar och begr\u00e4nsningar<\/h2>\n
Framtida riktningar<\/h2>\n
Slutsats<\/h2>\n