太阳能边缘AI实时评估葡萄藤虫害落叶，准确率超ResNet-50且参数仅1/20！
DefoliationCAM: An Edge-AI System for Real-Time Insect Defoliation Severity Assessment in Grapevines
📖 AI 总结
针对葡萄园害虫落叶危害长期依赖人工主观巡查、难以量化的问题，研究者开发了DefoliationCAM（D-CAM）——一套太阳能供电的边缘AI系统，可自动评估冠层落叶程度并通过LoRa将结果传输至网页仪表盘。系统采用YOLOX-Nano在4K图像中定位葡萄藤主蔓，再用带轻量通道注意力的MobileNet分类器对320×320像素图像块进行分级，将29,674个田间采集样本标注为背景及四个危害等级。通过合并中度和重度类别，类别不平衡比从约40:1降至8.8:1；合成增强使宏F1从0.768提升至0.838。该分类器以仅1.08M参数超越23.52M参数的ResNet-50。图像块预测被聚合为冠层级非线性全局落叶严重度（NGDS）评分，并依据昆虫学家对86张留出冠层图像的评级进行验证，通过二次判别分析确定了9%和29%两个分界阈值，分别对应可忽略、需监测的轻度危害和需现场勘查并考虑杀虫剂处理的行动级危害，其中29%与葡萄园日本甲虫防治的25%–30%行动阈值区间吻合。在NVIDIA Jetson Orin Nano上以TensorRT FP16运行，每张4K图像处理约1.5秒，完整运行周期57–60秒。两个田间单元为期五周的部署验证了太阳能自主运行、LoRa通信与远程落叶监测的可行性，为靶向巡查和及时害虫管理决策提供了客观、高频的冠层危害评估手段。
🔑 关键词速览
| DefoliationCAM (D-CAM) | 一种太阳能供电的边缘AI系统，用于实时评估葡萄藤冠层落叶严重程度并远程传输结果。 |
| YOLOX-Nano | 一种轻量级目标检测模型，用于在4K图像中定位葡萄藤主蔓。 |
| MobileNet | 一种轻量级卷积神经网络架构，用于对图像块进行损害等级分类。 |
| Non-linear Global Defoliation Severity (NGDS) | 一种将图像块预测聚合为冠层级别落叶严重度评分的非线性指标。 |
| TensorRT FP16 | NVIDIA的推理优化库，使用半精度浮点数加速模型在边缘设备上的运行。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅