Weeds significantly reduce crop yields worldwide and pose major challenges to sustainable agriculture. Traditional weed management methods, primarily relying on chemical herbicides, risk environmental contamination and lead to the emergence of herbicide-resistant species. Precision weeding, leveraging computer vision and machine learning methods, offers a promising eco-friendly alternative but is often limited by reliance on high-power computational platforms. This work presents an optimized, low-power edge AI system for weeds detection based on the YOLOv8n object detector deployed on the STM32U575ZI microcontroller. Several compression techniques are applied to the detection model, including structured pruning, integer quantization and input image resolution scaling in order to meet strict hardware constraints. The model is trained and evaluated on the CropAndWeed dataset with 74 plant species, achieving a balanced trade-off between detection accuracy and efficiency. Our system supports real-time, in-situ weeds detection with a minimal energy consumption of 51.8mJ per inference, enabling scalable deployment in power-constrained agricultural environments.

Bản dịch tiếng Việt:

Cỏ dại làm giảm đáng kể năng suất cây trồng trên toàn thế giới và đặt ra những thách thức lớn cho nền nông nghiệp bền vững. Các phương pháp quản lý cỏ dại truyền thống, chủ yếu dựa vào thuốc diệt cỏ hóa học, có nguy cơ gây ô nhiễm môi trường và dẫn đến sự xuất hiện của các loài kháng thuốc diệt cỏ. Làm cỏ chính xác, tận dụng thị giác máy tính và phương pháp học máy, mang lại giải pháp thay thế đầy hứa hẹn thân thiện với môi trường nhưng thường bị hạn chế do phụ thuộc vào nền tảng tính toán công suất cao. Công việc này trình bày một hệ thống AI biên được tối ưu hóa, tiêu thụ điện năng thấp để phát hiện cỏ dại dựa trên máy dò đối tượng YOLOv8n được triển khai trên bộ vi điều khiển STM32U575ZI. Một số kỹ thuật nén được áp dụng cho mô hình phát hiện, bao gồm cắt tỉa có cấu trúc, lượng tử hóa số nguyên và chia tỷ lệ độ phân giải hình ảnh đầu vào để đáp ứng các ràng buộc nghiêm ngặt về phần cứng. Mô hình được đào tạo và đánh giá trên bộ dữ liệu CropAndWeed với 74 loài thực vật, đạt được sự cân bằng giữa độ chính xác và hiệu quả phát hiện. Hệ thống của chúng tôi hỗ trợ phát hiện cỏ dại tại chỗ, theo thời gian thực với mức tiêu thụ năng lượng tối thiểu là 51,8mJ cho mỗi lần suy luận, cho phép triển khai có thể mở rộng trong môi trường nông nghiệp hạn chế về năng lượng.

Document Ready

Click below to load the full PDF document natively.