[論文レビュー] AlertTrap: A study on object detection in remote insects trap monitoring system using on-the-edge deep learning platform

An D. Le, Duy Anh Phạm+2 more|arXiv (Cornell University)|Dec 26, 2021

Smart Agriculture and AI被引用数 7

ひとこと要約

AlertTrapは、ラズベリー・パイ上で軽量オブジェクト検出モデルを用いて、遠隔地の昆虫トラップにおけるリアルタイムのシロツトムシ検出を実現するエッジでのディープラーニングシステムを提案する。SSDとYOLOv4-tinyモデルを評価した結果、SSD-MobileNetV2は0.5のIoUで1.0 mAPを達成し、優れた推論速度を示した。これにより、環境的要因による干渉があってもリアルタイムかつ高精度な害虫監視が可能となった。

ABSTRACT

Fruit flies are one of the most harmful insect species to fruit yields. In AlertTrap, implementation of Single-Shot Multibox Detector (SSD) architecture with different state-of-the-art backbone feature extractors such as MobileNetV1 and MobileNetV2 appears to be potential solutions for the real-time detection problem. SSD-MobileNetV1 and SSD-MobileNetV2 perform well and result in AP at 0.5 of 0.957 and 1.0, respectively. You Only Look Once (YOLO) v4-tiny outperforms the SSD family with 1.0 in AP at 0.5; however, its throughput velocity is considerably slower, which shows SSD models are better candidates for real-time implementation. We also tested the models with synthetic test sets simulating expected environmental disturbances. The YOLOv4-tiny had better tolerance to these disturbances than the SSD models. The Raspberry Pi system successfully gathered environmental data and pest counts, sending them via email over 4 G. However, running the full YOLO version in real time on Raspberry Pi is not feasible, indicating the need for a lighter object detection algorithm for future research. Among model candidates, YOLOv4-tiny generally performs best, with SSD-MobileNetV2 also comparable and sometimes better, especially in scenarios with synthetic disturbances. SSD models excel in processing time, enabling real-time, high-accuracy detection.

研究の動機と目的

• 遠隔農業用のトラップにおけるシロツトムシの監視を実現するリアルタイムでエッジ上で動作するオブジェクト検出システムの開発。
• 低消費電力のエッジデバイス（例：ラズベリー・パイ）にデプロイ可能な軽量ディープラーニングモデルの評価。
• 現実の現場環境で一般的に見られる環境的要因（照明の変化、遮蔽など）を模擬した条件下でのモデル性能の評価。
• 4G接続を活用した自動害虫数カウントレポートの実現。
• エッジベースの害虫監視において、精度、推論速度、耐障害性の最適なバランスを特定すること。

提案手法

• リアルタイム推論を実現するため、ラズベリー・パイにバックボーンとしてMobileNetV1およびMobileNetV2を搭載した単一スクリーンマルチボックス検出器（SSD）をデプロイ。
• 高い精度を実現する代替手段としてYOLOv4-tinyを評価し、SSDモデルと比較して性能とスループットを測定。
• 照明の変化や遮蔽を模擬するため、合成テストセットを生成。
• ラズベリー・パイを活用したシステムを統合し、環境データと害虫数を収集し、4Gを介して送信。
• 推論速度、平均平均精度（mAP）、合成ノイズおよび歪み下での耐障害性を測定。
• オブジェクト検出性能の評価に主に0.5のIoUにおけるAPを用いた。

実験結果

リサーチクエスチョン

• RQ1 エッジハードウェア上で害虫監視に最適な、精度と推論速度のバランスを最も良く満たす軽量オブジェクト検出モデルは何か？
• RQ2 現場環境を模擬した条件下で、SSDおよびYOLOベースのモデルはどのように性能を発揮するか？
• RQ3 ラズベリー・パイ上で遠隔昆虫トラップ監視のためのリアルタイムオブジェクト検出を信頼性を持って実現できるか？
• RQ4 モデルアーキテクチャの選定が、エッジデプロイにおけるシステムスループットとエネルギー効率に与える影響は何か？
• RQ5 実世界の遠隔地環境において、4Gを活用した自動害虫数送信はどの程度効果的か？

主な発見

• SSD-MobileNetV2は、0.5のIoUで平均平均精度（mAP）1.0を達成し、SSD-MobileNetV1（0.957 mAP）を上回った。
• YOLOv4-tinyも0.5のIoUで同じ1.0 mAPを達成したが、SSDモデルと比較して著しく遅い推論スループットを示した。
• SSDモデルは優れた処理速度を示し、エッジデバイスへのリアルタイムデプロイに適した候補となった。
• YOLOv4-tinyは、合成された環境的要因に対する耐性がSSDモデルよりも高かった。
• ラズベリー・パイは、4Gを介して害虫数と環境データを正常に収集・送信でき、遠隔地でのシステム実現可能性が確認された。
• フルサイズのYOLOv4は、ラズベリー・パイ上でリアルタイム推論を実現できず、エッジアプリケーションにおける軽量モデルの必要性が浮き彫りになった。