[论文解读] 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 7

一句话总结

AlertTrap 提出了一种基于边缘的深度学习系统，用于在远程昆虫诱捕器中实时检测果蝇，采用树莓派上的轻量级目标检测器。该系统评估了 SSD 和 YOLOv4-tiny 模型，发现 SSD-MobileNetV2 在 IoU 为 0.5 时达到 1.0 mAP，且推理速度更优，即使在环境干扰下也能实现实时、精准的害虫监测。

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.

研究动机与目标

• 开发一种用于在远程农业诱捕器中监测果蝇的实时、边缘计算目标检测系统。
• 评估轻量级深度学习模型在低功耗边缘设备（如树莓派）上的部署性能。
• 评估模型在模拟田间常见环境干扰条件下的性能表现。
• 通过 4G 连接实现自动害虫计数报告，以支持远程农业应用。
• 识别在边缘害虫监测中准确率、推理速度与鲁棒性之间的最佳平衡点。

提出的方法

• 在树莓派上部署使用 MobileNetV1 和 MobileNetV2 主干网络的单次多框检测器（SSD），实现实时推理。
• 将 YOLOv4-tiny 作为高精度替代方案进行评估，对比其性能与吞吐量与 SSD 模型的表现。
• 生成合成测试集以模拟光照变化和遮挡等环境干扰。
• 集成基于树莓派的系统，用于采集环境数据与害虫计数，并通过 4G 传输结果。
• 测量推理速度、平均精度均值（mAP）以及在合成噪声与失真条件下的鲁棒性。
• 采用 IoU 为 0.5 时的平均精度（AP）作为目标检测性能评估的主要指标。

实验结果

研究问题

• RQ1 在边缘硬件上，哪种轻量级目标检测模型在害虫监测中能实现准确率与推理速度的最佳平衡？
• RQ2 SSD 与基于 YOLO 的模型在模拟田间环境干扰条件下表现如何？
• RQ3 是否能在树莓派上可靠地实现实时目标检测，以支持远程昆虫诱捕器监测？
• RQ4 模型架构的选择对边缘部署中系统吞吐量与能效有何影响？
• RQ5 该系统在真实世界远程环境中通过 4G 传输自动害虫计数的效率如何？

主要发现

• SSD-MobileNetV2 在 IoU 为 0.5 时达到 1.0 的平均精度均值（mAP），优于 SSD-MobileNetV1 的 0.957 mAP。
• YOLOv4-tiny 同样达到 1.0 的 mAP（IoU 为 0.5），但其推理吞吐量显著低于 SSD 模型。
• SSD 模型展现出更优的处理速度，使其成为边缘设备实时部署的更优候选。
• YOLOv4-tiny 对合成环境干扰的容忍度高于 SSD 模型。
• 树莓派成功实现了害虫计数与环境数据的采集与 4G 传输，证实了该系统在远程环境下的可行性。
• 完整的 YOLOv4 在树莓派上无法实现实时推理，凸显了在边缘应用中采用轻量化模型的必要性。