CucumberVision-Studie misst Gurkengrößen auf Jetson Orin Nano und Raspberry Pi 4
Forschende der University of Windsor und der MBZUAI berichten über Genauigkeit, Durchsatz und Energiebedarf einer Pipeline zur Messung von Gurkenlängen auf zwei stromsparenden Edge-Boards.
Forschende der University of Windsor und der Mohamed bin Zayed University of Artificial Intelligence berichten, dass eine Pipeline zur Messung von Gurkenlängen auf einem NVIDIA Jetson Orin Nano mit demselben mittleren absoluten Fehler läuft wie auf einer Workstation mit RTX 3050 Ti: 0,58 cm auf beiden Systemen, bei einer gepaarten Differenz von null. Die Autoren Manveen Kaur, Rajmeet Singh, Saeed Mozaffari, Majid Ahmadi und Shahpour Alirezaee beschreiben die Arbeit in einem Preprint, das am 6. November 2026 eingereicht wurde.
Die Pipeline besteht aus drei Stufen. Ein YOLO26n-Detektor findet die Frucht in einem RGB-D-Bild. Ein Prompt-basiertes Segmentierungsmodell isoliert ihren Umriss. Ein Medial-Arc-Spline-Schätzer legt dann eine gekrümmte Mittellinie entlang der Maske und ermittelt daraus die Länge. Die Autoren ließen 50 identische Gewächshausaufnahmen von sieben Exemplaren durch jedes Setup laufen. Mit Cluster-Bootstrap-Statistik auf Exemplarebene bestimmten sie ein Konfidenzintervall für den Fehler, das von 0,46 bis 0,69 cm reicht. Die Genauigkeitswerte beziehen sich auf diese wiederabgespielten Aufnahmen, nicht auf die Sortierung im Feld.
Geschwindigkeit und Energiebedarf hängen davon ab, welches Segmentierungs-Backend zum Einsatz kommt, und das Paper trennt die beiden Effekte. Laut den Autoren bestimmt das Backend die Genauigkeit, die sich plattformübergreifend auf 0,01 cm genau reproduzieren lässt. Was der Betrieb dieses Backends kostet, bestimmt dagegen die Hardware, und hier liegen die Werte um den Faktor 214 auseinander. Auf dem Jetson senkte die Kompilierung mit TensorRT FP16 die Detektionslatenz um den Faktor 2,57 und ergab zwei Betriebspunkte: 72 ms pro Frucht bei 0,84 cm Fehler oder 2,74 s pro Frucht bei 0,64 cm. Der Energiebedarf pro Frucht lag auf dem Jetson bei 42,2 J. Im 7-W-Modus lag der Verbrauch um 73 % höher als im 15-W-Modus.
In der Gegenüberstellung des Papers ist der Raspberry Pi 4 pro Frucht teurer. MobileSAM auf dem Pi kostete pro Frucht 2,5-mal so viel wie SAM auf dem Jetson, obwohl der Pi 47 % weniger Leistung aufnahm. Laut den Autoren lief der Pi unter Dauerlast ohne thermische Drosselung. Das ist für eine Scouting-Plattform ohne aktive Kühlung von Bedeutung.
Das Paper dokumentiert auch einen Fehlschlag. Die Autoren versuchten eine INT8-Quantisierung des gesamten Graphen am NMS-freien Head des Detektors, also jenen Schritt, der ein Modell normalerweise für schnellere Integer-Arithmetik verkleinert. Der Detektor lieferte daraufhin überhaupt keine Detektionen mehr. Das Paper führt das auf einen einzelnen Ausgabe-Tensor zurück, der sowohl Pixelkoordinaten als auch Konfidenzwerte enthält, weshalb eine Quantisierung des Tensors als Ganzes scheitert. Die Autoren behaupten, dass sich dies mit keiner Kalibrierungsstrategie vermeiden lässt. Wurde der Head von der Quantisierung ausgenommen, funktionierte der Detektor wieder, bei einer Beschleunigung um den Faktor 1,37. Das Paper stellt dies als strukturelle Eigenschaft dieses Detektordesigns dar, nicht als generelles Versagen von INT8 auf Edge-Boards.
Insgesamt definiert das Paper eine von ihm so genannte Genauigkeits-Durchsatz-Energie-Hülle mit drei nicht dominierten Konfigurationen. Keine davon wird in allen Kriterien von einer anderen übertroffen. Zudem liefert das Paper Regeln für die Auswahl zwischen ihnen. Die Autoren fassen zusammen: Der Jetson mit nativen Masken eignet sich für Durchsatz, der Jetson mit SAM für Genauigkeit, und der Raspberry Pi mit nativen Masken ist die kostengünstige Option. Die Daten des Papers stammen aus wiederabgespielten Aufnahmen von sieben Exemplaren, die Rangfolge der Konfigurationen gilt daher nur für diese Messungen.
Warum es wichtig ist
Die Studie liefert einen fundierten Benchmark für Computer Vision auf stromsparender Hardware im Feldeinsatz. Das ist relevant für Teams, die KI außerhalb von Rechenzentren einsetzen.
Originalquelle
Wo wir es gesehen haben
Import AI (Jack Clark)
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es