#边缘部署

【预印本,未经同行评审】针对多作物病害识别任务,提出基于确定性硬路由的两阶段 AdapterMoE 架构:RouterHead 依据最大 softmax 概率阈值分类作物并拒判非目标作物,Energy+KNN 双重门控模块捕获分布外输入;在冻结 EfficientNet-B0 主干上添加五个逐作物 Adapter,通过温度缩放校准。在 PlantVillage(5 作物 26 类)上,AdapterMoE 与最优基线 Macro-F1 差距在 0.24 分以内,但训练成本约为全网络基线的 9%,并可通过 add_crop 接口实现逐作物增量更新,避免专家坍缩,适合田间部署成本敏感的精准植保场景。

南京市农业机械化研究所刘赛赛等在Smart Agricultural Technology发表GSP-YOLO模型——基于YOLOv8s的轻量化杂草实时检测系统。该模型将YOLOv8s标准骨干替换为GhostNetV3,并集成空间-通道注意力模块(SCSA),提升对小型、形态相似杂草幼苗的识别能力。在NIAM9weeds数据集上达97.74%精确率,优于YOLOv5n和YOLOv10s等轻量化模型,模型大小减少近30%,计算需求减少超过30%。在边缘设备上通过TensorRT加速,处理速度41 FPS,可支持以步行速度移动的激光除草机器人。温室试验中,系统在0.72 km/h速度下达93.4%杂草识别准确率,平均275毫秒/株完成除草,作物损伤率低于3.4%。