ĐÁNH GIÁ HIỆU SUẤT CỦA CÁC MÔ HÌNH PHÂN LOẠI HÌNH ẢNH TINYML LƯỢNG TỬ HÓA TRÊN NỀN TẢNG UAV MÔ PHỎNG CHO ỨNG DỤNG GIÁM SÁT NÔNG NGHIỆP
DOI:
https://doi.org/10.59266/houjs.2025.728Keywords:
UAV, edge AI, tinyML, lượng tử hóa, phân loại hình ảnh, giám sát nông nghiệp, MATLAB/Simulink, xử lý thời gian thựcAbstract
UAV mang lại khả năng thu thập dữ liệu và giám sát thời gian thực trong nông nghiệp. Tuy nhiên, việc triển khai AI tiên tiến, đặc biệt là học sâu, trên UAV bị hạn chế bởi tài nguyên tính toán, bộ nhớ và năng lượng. Nghiên cứu này nghiên cứu về hiệu suất của các mô hình phân loại hình ảnh TinyML lượng tử hóa cho giám sát nông nghiệp. Chúng tôi đề xuất khung mô phỏng MATLAB/Simulink để đánh giá sự đánh đổi giữa độ chính xác, tốc độ suy luận và tiêu thụ tài nguyên. Kết quả cho thấy các mô hình TinyML lượng tử hóa giảm đáng kể dấu chân tính toán và năng lượng trong khi vẫn duy trì độ chính xác chấp nhận được, cho phép xử lý AI hiệu quả trên thiết bị. Nghiên cứu này góp phần vào việc triển khai các giải pháp AI hiệu quả trên thiết bị biên, hướng tới nông nghiệp tự chủ và bền vững hơn.
References
[1]. Lottes, P., Behley, J., & Stachniss, C. (2017). UAV-Based Crop and Weed Classification for Smart Farming. IEEE International Conference on Robotics and Automation (ICRA), 2017.
[2]. Puneet Saini, D.S. Nagesh (2025). A review of deep learning applications in weed detection: UAV and robotic approaches for precision agriculture, European Journal of Agronomy Volume 168, July 2025, 127652.
[3]. Aissam El Ibrahimi, Nabil El Akchioui. (2022). A review on plant diseases detection using artificial intelligence techniques, international conference on advances in communication technology and computer engineering, 24–25 June 2022, Meknes, Morocco
[4]. I. Sa, Z. Ge, F. Dayoub, B. Upcroft, T. Perez, and C. McCool. (2016). DeepFruits: A Fruit Detection System Using Deep Neural Networks. IEEE International Conference on Robotics and Automation (ICRA), Sensors, vol. 16, no. 8, p. 1222, 2016
[5]. Yazhou Yuan; Shicong Gao; Ziteng Zhang; Wenye Wang; Zhezhuang Xu; Zhixin Liu (2024) Edge-Cloud Collaborative UAV Object Detection: Edge-Embedded Lightweight Algorithm Design and Task Offloading Using Fuzzy Neural Network, IEEE Transactions on Cloud Computing, Volume: 12, Issue: 1, Jan.-March 2024 [6]. Oufettoul, H., Chaibi, R., & Motahhir, S. (2024). TinyML applications, research challenges, and future research directions. In Proceedings of the IEEE International Conference on Artificial Intelligence and Virtual Reality (AIVR). IEEE
[7]. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv preprint arXiv:1704.04861.
[8]. Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional
[9]. Neural Networks. International Conference on Machine Learning (ICML), 2019, arXiv:1905.11946
[10]. Ma, N., Zhang, X., Zheng, H. T.,& Sun, J. (2018). ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design. European Conference on Computer Vision (ECCV), arXiv:1807.11164
[11]. Krishnamoorthi, R. (2018). Quantizing deep convolutional networks for efficient inference: A survey. arXiv preprint arXiv:1806.08342.
[12]. Rastegari, M., Anwar, M., Rasool, J., Maida, K., & Davis, L. (2016). XNOR- Net: ImageNet Classification Using Binary Convolutional Neural Networks. European Conference on Computer Vision (ECCV), arXiv:1603.05279
[13]. Krishnamoorthi, R. (2018). Quantizing deep convolutional networks for efficient inference: A whitepaper. arXiv:1806.08342.
[14]. MathWorks. (n.d.). UAV - MATLAB & Simulink. Retrieved from https://www. mathworks.com/solutions/robotics/uav. html
[15]. Zheng, X., He, Y., & Cheng, J. (2015). Design and implementation of UAV flight simulation based on Matlab/ Simulink. In Proceedings of the 2015 International Conference on Advances in Mechanical Engineering and Industrial Informatics (AMEII 2015). Atlantis Press.
[16]. Parameswari, P., Ramya, S., Sritha, R., & Tusita, M. (2024). Unmanned aerial vehicle for smart agriculture. International Journal of Creative Research Thoughts (IJCRT), 12(3), c37–c42.
[17]. Hüseyin Şahın; Berkay Gürkan; Vasfi Emre Ömürlü (2022). Sensor Fusion Design by Extended and Unscented Kalman Filter Approaches for Position and Attitude Estimation. 2022 International Congress on Human- Computer Interaction, Optimization and Robotic Applications (HORA), IEEE, 09-11 June 2022.
[18]. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.- C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. arXiv. arXiv.1801.04381
[19]. Hughes, D. P., & Salathé, M. (2015). An open access repository of plant disease images for the development of mobile disease diagnostics. arXiv preprint arXiv:1511.08060.
[20]. MathWorks. (n.d.). Import Deep Learning Models from External Platforms. Retrieved from https://www. mathworks.com/help/deeplearning/ ug/import-deep-learning-modelsfrom- external-platforms.html
