農業ロボティクス/セグメンテーション2026/10/8arXiv:2610.11764

超軽量Luma：農業ロボティクス向け作物列セグメンテーションのエッジ展開可能な知覚ネットワーク

UltraLight Luma: A Novel Edge-Deployable Perception Network for Crop-Row Segmentation in Agricultural Robotics

13.1kパラメータの超軽量セグメンテーションネットワークで作物列を検出し、推論あたり25.23mJで農業ロボットのナビゲーションを可能にした。

詳しい要約

1. どんなもの？

- 農業ロボット向けのcrop-row segmentationネットワーク「UltraLight Luma」を提案。 - encoder-decoder型のsegmentationネットワークで、trainable parametersは13.1kのみ。 - 予測したcrop-row maskをpost-processingし、下流のvisual servoing用にrow alignmentを推定。 - 計算・メモリ・電力・推論時間の制約下での低コスト展開を狙う。

2. 先行研究と比べてどこがすごい？

- U-Net、YOLOv8、YOLOv26と比較し、parameter efficiencyを改善。 - 信頼できるcrop-row detection性能を維持しつつ、パラメータ数を大幅に削減。 - 1回の推論あたり25.23 mJと低消費電力で、resource-constrainedな農業ロボットへの適合性を示す。

3. 技術・手法の肝は？

- compactなencoder-decoder segmentation networkを採用。 - progressive learning strategyを導入。 - 予測maskに対しpost-processing algorithmを適用し、row alignmentを推定してvisual servoingへ接続。 - trainable parametersは13.1kに抑える設計。

4. どうやって有効だと検証した？

- U-Net、YOLOv8、YOLOv26との比較でparameter efficiencyの改善を確認。 - crop-row detection性能が信頼できる水準であることを示す。 - 推論あたり25.23 mJという消費電力を測定。 - 具体的なデータセット名や評価指標は要旨からは不明。

5. 議論はある？

- 低コスト・省電力な農業ロボットへの展開可能性を主張。 - 一方で、精度・汎化性・実環境でのrobustnessに関する詳細な議論は要旨からは不明。 - 比較対象のYOLOv26など最新手法との公平な条件や計算資源の詳細も要旨からは不明。

6. 次に読むべき論文は？

- U-Net - YOLOv8 - YOLOv26 - crop-row segmentationおよびagricultural roboticsにおけるvisual servoing関連の研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Dhanushka Balasingham, Shamod Ginigaddarage, Hanojhan Rajahrajasingh, Nuwan Kodagoda, Rajitha de Silva

分類: cs.RO

原文アブストラクト

Reliable crop-row perception is essential for autonomous agricultural robots, but low-cost deployment is constrained by computation, memory, power, and inference time. This paper addresses crop-row detection and navigation-line extraction using UltraLight Luma, a compact encoder-decoder segmentation network with a progressive learning strategy and only 13.1k trainable parameters. The predicted crop-row masks are processed using a post-processing algorithm to estimate row alignment for downstream visual servoing. UltraLight Luma improves parameter efficiency over U-Net, YOLOv8, and YOLOv26 while maintaining reliable crop-row detection performance. The model required only 25.23 mJ per inference, demonstrating its suitability for resource-constrained agricultural robots.

arXivで原文を読む →arXiv概要ページ

← 論文一覧