描述

經驗豐富的園丁可以通過目視檢查來診斷植物壓力。

為了參加Tensorflow 微控制器挑戰賽，我們選擇突出節水問題，同時突破計算機視覺應用的極限。我們提交的被稱為“下垂，就在那里”的提交建立在之前的工作之上，以識別下垂、枯萎的植物。

植物的干旱脅迫通常表現為視覺上可辨別的下垂和萎蔫，也稱為質壁分離，表明低濁度或水壓。自然地，植物中的低水壓可能是由于快速蒸騰作用并影響養分運輸。

基于時間表的灌溉很簡單，但不能適應植物脅迫的視覺環境。園丁仍然有責任根據不斷變化的需求進行調整，以限制因澆水不當造成的浪費和損害。

植物監視器作為硬件項目很受歡迎，通常會為使用土壤濕度傳感器 (YL-69)的智能灌溉引入額外的環境。相反，我們使用設備上的計算機視覺模型在從相機饋送中采樣的圖像上運行。

視覺方法侵入性較小，可以部署在具有更大機械簡單性的最小化硬件上。盡管計算機視覺在很大程度上仍然是特定于任務的，但在使用遷移學習訓練神經網絡時，可以實現高性能的圖像分類器。

在本次更新中，我們應用知識蒸餾 (KD)等技術來減少模型的占用空間。雖然最初的 POC 在 3.3V Pi Zero 上運行，但此更新縮小了模型，足以適應電池供電的Arduino Nano 33 BLE Sense ！

關于董事會的一點信息

我們認為Arduino Nano 33 BLE Sense是一個用于邊緣 AI 項目原型設計的絕佳平臺。

一個強大的處理器以及所有流行的界面幫助我們演示了MuttMentor ，它結合了關鍵字發現和動作識別來演示一個“智能”的狗答題器。我們甚至附加了一個攝像頭，以使用 tensorflow lite 圖像分類器執行人員檢測！

與后面的演示一樣，此演示使用ArduCam執行圖像分類。然而，這里我們使用 Keras 中的遷移學習和模型蒸餾來訓練自定義分類器，而不是 tf-slim。

訓練下垂，就是這樣

訓練一個足夠小以適應 Arduino 但又足夠大以保持足夠準確度的圖像分類器是一個受限的優化挑戰。幸運的是，知識蒸餾提供了一種訓練微型模型的原則方法。

在最簡單的形式中，KD 強制學生模型的 logits 與更強大的教師模型的邏輯匹配。這是通過用一個附加項擾亂標準分類交叉熵損失來實現的：logits 之間的 KL 散度。

在實踐中，結合了溫度參數來軟化這些分布，幫助糾正過度自信的教師預測。上面鏈接的調查引用了Yuan 等人將 KD 解釋為標簽平滑的自適應概括。

Logit 匹配還可以提供一種機制來注入有利于訓練小型模型的先驗信息。但重要的是，與過度自信但準確度高的教師相比，雖然經過良好校準的模型卻往往能培養出更好的教師。

此外，教師模型置信度和校準在訓練最終模型期間對梯度更新提供實例級影響。

考慮到這些發現，我們選擇了在 imagenet 上預訓練的 MobileNetV2 基礎模型，開始在我們粗略平衡的 6K 圖像集合上微調教師模型，這些圖像來自搜索和短暫的爬網。

充分利用我們的圖像集合，我們采用標準的圖像增強方法。總而言之，我們在三倍訓練數據后隨機應用了簡單的光度失真（色調、旋轉、水平翻轉）。

添加一個小的密集層，我們將可訓練參數的數量保持在 200K 以下，以將我們的教師模型微調多達 20 個 epoch，并提前停止（耐心 = 3）。

接下來，我們通過探測溫度和 alpha 參數組合調整了一個不錯的 keras KD 示例，旨在將損失中的兩個總和保持在可比較的范圍內。最終，我們發現 alpha=0.1 和 temperature=1 運行良好。

我們的學生模型在將輸入轉換為 32x32 灰度圖像后使用了一個非常簡單的 CNN 架構，模型參數少于7K！最終，我們將可訓練參數數量減少了近25 倍，而量化前的準確度僅降低了5% ！當然，這低估了老師的 MobileNetV2 基礎模型中數百萬個無法適應設備的凍結參數！

<7K 參數，400ms 推理時間

雖然遠不能取代園丁的推理，但圍繞數據管理和模型改進的充分理解的優化可能會導致強大的、上下文感知的灌溉轉換。

下垂，那里是演示轉儲泵

最初的下垂演示控制蠕動泵，通過計算機視覺推斷來優化節水。Arduino BLE 使用微型電池運行，旨在實現低功耗，因此我們無需使用泵。

通過這種新的硬件配置，我們改為使用 Arduino通過 BLE 發出灌溉需求信號，本質上是表達植物對水的需求并觸發灌溉事件。

結論

智能節水是人口不斷增長的基本問題。隨著用水經濟和計算資源的不斷變化，我們預計農業技術創新將圍繞優化用水量進行融合。

也許有一個高度專業化的傳感器能??夠引入植物壓力信號以優化水和養分的輸送。我們希望這個項目能讓您圍繞水資源保護、農業技術或其他方面的創新進行思考。