Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Hardware-Aware YOLO Compression for Low-Power Edge AI on STM32U5 for Weeds Detection in Digital Agriculture

Created by
  • Haebom
Category
Empty

저자

Charalampos S. Kouzinopoulos, Yuri Manna

개요

본 논문은 세계적으로 작물 수확량을 감소시키고 지속 가능한 농업에 큰 어려움을 야기하는 잡초 문제를 해결하기 위해, 컴퓨터 비전과 머신 러닝을 활용한 정밀 제초 시스템을 제안한다. 특히, 고성능 컴퓨팅 플랫폼에 의존하는 기존 방식의 한계를 극복하고자, YOLOv8n 객체 감지기를 STM32U575ZI 마이크로컨트롤러에 최적화하여 탑재한 저전력 엣지 AI 시스템을 개발했다. 구조적 가지치기, 정수 양자화, 입력 이미지 해상도 조절 등의 압축 기술을 적용하여 정확도와 효율성 사이의 균형을 유지했으며, CropAndWeed 데이터셋을 사용하여 74종의 식물을 대상으로 훈련 및 평가를 진행했다. 본 시스템은 51.8mJ의 최소 에너지 소비로 실시간 잡초 감지를 지원하여 전력 제약적인 농업 환경에서 확장 가능한 배치를 가능하게 한다.

시사점, 한계점

•
시사점:
◦
저전력 엣지 AI 시스템을 통해 친환경적이고 지속 가능한 농업 방식 제시
◦
STM32U575ZI 마이크로컨트롤러 기반의 실시간 잡초 감지 구현
◦
모델 압축 기술을 활용하여 제한된 하드웨어 환경에서의 효율적인 작동
◦
실시간 잡초 감지를 위한 최소 에너지 소비량 달성
◦
전력 제약적인 환경에서의 확장 가능한 배포 가능성 제시
•
한계점:
◦
논문에서 구체적인 성능 지표(예: mAP, FPS)에 대한 상세 정보 부족
◦
다양한 환경 조건(예: 빛의 변화, 잡초 밀도)에서의 성능 평가 미흡 가능성
◦
실제 농업 현장 적용에 필요한 추가적인 기능(예: 제초 로봇 연동)에 대한 논의 부재
◦
다른 잡초 감지 모델과의 성능 비교 및 분석 부족
👍
Made with Slashpage