Precision agriculture is a modern agriculture trend, which allows farmers to spray their crops with much greater accuracy and, in turn, optimize crop productivity. Remote sensing-based prescription maps are being used to analyze the field and give farmers exact recommendations of pesticides to be sprayed over the respective field. Drones are used both for remote sensing data collection and pesticide spraying. The work in this thesis proposes a potential solution to combine these two technologies, i.e., remote sensing-based prescription map generation and pesticide spraying in real-time. Deep Learning based segmentation models are used to detect and segment the infestations on the crop in real-time on a drone. Based on the severity of the infestation, a prescription value of pesticide is generated by the developed algorithm. Moreover, two computation strategies to generate the prescription value are proposed. On-board computations wherein all the computations are executed on the edge computer on board the drone and Offload computations where the Deep Learning computations are offloaded to a powerful ground station computer that acts as a local cloud server. Lastly, the performance of both the strategies in real-life UAV operational conditions, i.e, Line of sight (LOS) and Non-line of sight (NLOS) is also compared. The experimental results indicated that the Onboard technique outperforms the Offload strategy both computationally and in terms of energy efficiency. However, under ideal conditions, the Offload strategy has the capability to outperform the Onboard system. Furthermore, the communication interference (noise levels) in NLOS conditions significantly degrades the Offload systems performance. To prove this, a negative relationship between noise levels and task execution times is also derived from the statistical results. In the future, different hybrid computation strategies can be used to improve the performance of Offload systems. An analysis of the effects of execution delays on the system's real-time performance can also be made as a part of future work. 

Precisionsjordbruk är en modern jordbruks trend som gör att bönder kan spraya sina grödor med mycket större noggrannhet och i sin tur optimera grödans produktivitet. Fjärranalys baserade recept kartor används för att analysera fältet och ge lantbrukare exakta rekommendationer om bekämpningsmedel som ska sprayas över respektive fält. Drönare används både för både, datainsamling, analys och för och bekämpningsmedelsprutning. Arbetet i denna avhandling föreslår en potentiell lösning för att kombinera dessa två teknologier, dvs fjärranalys baserad generering av recept kartor och bekämpningsmedel sprutning i realtid. Djupinlärningbaserade segmenteringsmodeller används för att upptäcka och segmentera angrepp på grödan i realtid på en drönare. Baserat på angreppets svårighetsgrad genereras ett receptvärde för bekämpningsmedel av den utvecklade algoritmen. Dessutom föreslås två beräkningsstrategier för att generera receptvärded; (1) Inbyggda beräkningar där alla beräkningar exekveras på kantdatorn ombord på drönaren och, (2) avlastningsberäkningar där djupinlärningsberäkningarna istället utförs av en kraftfull markstationsdator som fungerar som en lokal molnserver. Slutligen jämförs också prestandan för båda strategierna i verkliga UAV-operativa förhållanden, det vill säga med god respektive bruten siktlinje. De experimentella resultaten visade att Ombordstrategin både beräknings- och energimässigt överträffar avlastningsstrategin. Men under idealiska förhållanden har avlastningsstrategin förmågan att överträffa Ombordsystemet. Kommunikationsstörningar (brusnivåerna) i förhållanden med bruten siktlinje försämrar avsevärt systemets prestanda. För att bevisa detta härleds också ett negativt samband mellan bullernivåer och uppdragsutförandetider från de statistiska resultaten. I framtiden kan olika hybridberäkningsstrategier användas för att förbättra prestandan med avlastningsstrategin. En analys av effekterna av exekveringsförseningar på systemets realtidsprestanda kan också göras som en del avdet framtida arbetet.