Nhận diện bệnh trên cây lúa bằng Edge AI: Đánh giá và so sánh hiệu năng phần cứng

Mô hình YOLOv5n được huấn luyện trên bộ dữ liệu bệnh hại lúa và tối ưu bằng kỹ thuật lượng tử hóa sau huấn luyện. Mô hình lượng tử hóa được triển khai trên vi điều khiển tích hợp NPU Arm Ethos-U55 và được đánh giá, so sánh với Raspberry Pi 4 và máy trạm hiệu năng cao.

Ảnh minh họa. Nguồn ảnh có sử dụng AI

Kết quả cho thấy mô hình duy trì độ chính xác cao (mAP > 90%), đạt tốc độ suy luận khoảng 16 FPS với mức tiêu thụ công suất chỉ 1,53 W, nhanh hơn khoảng 10 lần và tiết kiệm 54% năng lượng so với Raspberry Pi 4. Nghiên cứu chứng minh tính khả thi của việc triển khai các mô hình thị giác máy tính lượng tử hóa trên các thiết bị Edge AI công suất thấp cho ứng dụng nông nghiệp thông minh, đồng thời làm rõ sự đánh đổi giữa hiệu năng xử lý và hiệu quả năng lượng.

Xem chi tiết bài viết tại đây