第 38 卷 第 16 期 農(nóng) 業(yè) 工 程 學(xué) 報(bào) Vol 38 No 16 224 2022 年 8月 Transactions of the Chinese Society of Agricultural Engineering Aug 2022 邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 黃成龍 1 柯宇曦 1 華向東 1 楊俊雅 1 孫夢(mèng)雨 1 楊萬(wàn)能 2 1 華中農(nóng)業(yè)大學(xué)工學(xué)院 武漢 430070 2 華中農(nóng)業(yè)大學(xué)作物遺傳改良國(guó)家重點(diǎn)實(shí)驗(yàn)室 武漢 430070 摘 要 互聯(lián)網(wǎng)技術(shù)快速發(fā)展使得數(shù)據(jù)量劇增 云計(jì)算的數(shù)據(jù)集中處理模式存在實(shí)時(shí)性不足 能耗過(guò)高以及數(shù)據(jù)安全等 一系列問(wèn)題 邊緣計(jì)算是在靠近數(shù)據(jù)源端執(zhí)行計(jì)算的分散處理模式 與云計(jì)算相比具有低延遲 低成本 安全性高 個(gè) 性化設(shè)計(jì)等優(yōu)勢(shì) 隨著智慧農(nóng)業(yè)迅速發(fā)展 結(jié)合深度學(xué)習(xí)的農(nóng)業(yè)應(yīng)用屢見(jiàn)不鮮 如作物病害檢測(cè) 生長(zhǎng)環(huán)境監(jiān)測(cè) 作物 自動(dòng)采摘 無(wú)人農(nóng)場(chǎng)管理等 邊緣計(jì)算可以為農(nóng)業(yè)多場(chǎng)景 復(fù)雜任務(wù)提供高效 可靠的新型數(shù)據(jù)處理方案 該研究概述 了邊緣計(jì)算的發(fā)展 計(jì)算架構(gòu)及主要優(yōu)勢(shì) 介紹了邊緣計(jì)算在農(nóng)業(yè)中的應(yīng)用背景 結(jié)合文獻(xiàn)量分析 歸納了邊緣計(jì)算在 農(nóng)業(yè)上的主要應(yīng)用場(chǎng)景及相關(guān)智能農(nóng)業(yè)裝備 調(diào)研了現(xiàn)有常用邊緣計(jì)算設(shè)備及性能參數(shù) 總結(jié)了適合邊緣計(jì)算的主流深 度學(xué)習(xí)算法及模型壓縮方法 研究表明邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用有效促進(jìn)了農(nóng)業(yè)的數(shù)字化 智能化 未來(lái)在多場(chǎng)景 多功能邊緣計(jì)算智能農(nóng)業(yè)裝備開(kāi)發(fā)等領(lǐng)域?qū)⒚媾R重大挑戰(zhàn)和機(jī)遇 關(guān)鍵詞 物聯(lián)網(wǎng) 邊緣計(jì)算 云計(jì)算 智慧農(nóng)業(yè) 深度學(xué)習(xí) 模型壓縮 模型部署 doi 10 11975 j issn 1002 6819 2022 16 025 中圖分類(lèi)號(hào) S126 文獻(xiàn)標(biāo)志碼 A 文章編號(hào) 1002 6819 2022 16 0224 11 黃成龍 柯宇曦 華向東 等 邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 J 農(nóng)業(yè)工程學(xué)報(bào) 2022 38 16 224 234 doi 10 11975 j issn 1002 6819 2022 16 025 http www tcsae org Huang Chenglong Ke Yuxi Hua Xiangdong et al Application status and prospect of edge computing in smart agriculture J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2022 38 16 224 234 in Chinese with English abstract doi 10 11975 j issn 1002 6819 2022 16 025 http www tcsae org 0 引 言 近年來(lái) 隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展 遠(yuǎn)程高性能 服務(wù)器集中解決計(jì)算與存儲(chǔ)問(wèn)題的云計(jì)算模式推動(dòng)著萬(wàn) 物互聯(lián)和人工智能的飛速發(fā)展與廣泛應(yīng)用 極大改善了 社會(huì)生活和工業(yè)生產(chǎn)方式 1 在物聯(lián)網(wǎng)與云技術(shù)的蓬勃發(fā) 展下 一系列農(nóng)業(yè)場(chǎng)景與云計(jì)算結(jié)合 實(shí)現(xiàn)數(shù)字化 自 動(dòng)化 有力推動(dòng)了智慧農(nóng)業(yè)的發(fā)展 2 思科全球云指數(shù)報(bào) 告指出 2016 年全球云數(shù)據(jù)中心數(shù)據(jù)量為 6 0 ZB 1 ZB 等于 10 億 TB 到 2021 年 這一數(shù)字暴漲 3 倍 達(dá)到 了 19 5 ZB 云數(shù)據(jù)中心流量占總數(shù)據(jù)流量的 95 3 在 數(shù)據(jù)量急劇上升的萬(wàn)物互聯(lián)時(shí)代 云計(jì)算的集中處理存 在以下不足 1 實(shí)時(shí)性不足 隨著物聯(lián)網(wǎng)飛速發(fā)展 眾 多終端設(shè)備產(chǎn)生的數(shù)據(jù)量劇增 使得網(wǎng)絡(luò)帶寬面臨巨大負(fù) 擔(dān) 導(dǎo)致數(shù)據(jù)傳輸延遲時(shí)間大大增加 難以滿(mǎn)足人們?nèi)粘?工作生活需求 4 2 能耗過(guò)高 云服務(wù)器數(shù)據(jù)激增 能耗 大大增加 僅以中國(guó)數(shù)據(jù)中心來(lái)看 每年用電量以超過(guò) 10 的速度增長(zhǎng) 至 2021年年耗電已超過(guò) 1 000億 kW h 5 3 數(shù)據(jù)安全問(wèn)題 大數(shù)據(jù)時(shí)代下社會(huì)生活 工業(yè)生產(chǎn)等 隱私數(shù)據(jù)直接上傳云數(shù)據(jù)中心會(huì)帶來(lái)一系列安全隱患 受隱私協(xié)議霸王條款 廠(chǎng)商技術(shù)漏洞和黑客攻擊等問(wèn)題 影響 隨時(shí)存在數(shù)據(jù)泄露與丟失的風(fēng)險(xiǎn) 6 收稿日期 2022 05 12 修訂日期 2022 08 11 基金項(xiàng)目 國(guó)家自然科學(xué)基金項(xiàng)目 32270431 U21A20205 中央高?；?本科研業(yè)務(wù)費(fèi)項(xiàng)目 2662022YJ018 作者簡(jiǎn)介 黃成龍 博士 副教授 研究方向?yàn)檗r(nóng)業(yè)技術(shù)與裝備 植物表型 Email hcl 為解決云計(jì)算實(shí)時(shí)性不足 能耗過(guò)高 及數(shù)據(jù)安全 問(wèn)題 邊緣計(jì)算采用在靠近數(shù)據(jù)源端執(zhí)行計(jì)算的分散處 理模式 以此來(lái)降低云計(jì)算數(shù)據(jù)中心的計(jì)算負(fù)載 從而 實(shí)現(xiàn)降低能耗以及減少網(wǎng)絡(luò)帶寬的壓力 7 2016 年 11 月 30 日 邊緣計(jì)算產(chǎn)業(yè)聯(lián)盟在北京成立 由華為 英特爾 公司 中國(guó)信息通信研究院 軟通動(dòng)力等單位組成 在 邊緣計(jì)算產(chǎn)業(yè)峰會(huì)上 正式發(fā)布 邊緣計(jì)算參考架構(gòu) 2 0 8 其中邊緣計(jì)算定義為 在靠近數(shù)據(jù)源的一側(cè) 采用網(wǎng)絡(luò) 計(jì)算 存儲(chǔ)的分布式平臺(tái) 就近提供邊緣智 能服務(wù) 邊緣計(jì)算可以為不同行業(yè)提供經(jīng)濟(jì) 可行 創(chuàng) 新的解決方案 1 智慧水務(wù) 基于邊緣計(jì)算的智慧供水 系統(tǒng) 實(shí)現(xiàn)故障自診斷 可預(yù)測(cè)性維護(hù) 據(jù)華為云智能 邊緣平臺(tái)報(bào)告指出結(jié)合邊緣計(jì)算的智慧水務(wù)系統(tǒng)故障時(shí) 間和維護(hù)人力減少 60 2 智慧照明 基于邊緣計(jì)算的 智慧照明系統(tǒng) 實(shí)現(xiàn)路燈的遠(yuǎn)程 實(shí)時(shí) 自適應(yīng)控制 與傳統(tǒng)照明系統(tǒng)相比能耗降低 80 運(yùn)維成本降低 90 3 智能樓宇 基于邊緣計(jì)算的智慧樓宇 實(shí)現(xiàn)樓宇多系 統(tǒng)協(xié)同控制和智能化運(yùn)營(yíng) 比較供暖 通風(fēng)和空調(diào)系統(tǒng) 耗能 相比傳統(tǒng)運(yùn)行方式節(jié)省了 36 75 以上的能源 8 9 綜上所述 邊緣計(jì)算滿(mǎn)足行業(yè)在敏捷聯(lián)接 實(shí)時(shí)業(yè)務(wù) 智能決策 數(shù)據(jù)安全等方面的關(guān)鍵需求 是行業(yè)數(shù)字化 升級(jí)不可或缺的要素 隨著中國(guó)老齡化加劇 城市化發(fā)展和氣候變化 傳 統(tǒng)農(nóng)業(yè)發(fā)展面臨巨大挑戰(zhàn) 智慧農(nóng)業(yè)作為農(nóng)業(yè)生產(chǎn)的高 級(jí)階段 10 通過(guò)人工智能 物聯(lián)網(wǎng) 云計(jì)算等現(xiàn)代信息 技術(shù)與傳統(tǒng)農(nóng)業(yè)相結(jié)合 實(shí)現(xiàn)農(nóng)業(yè)無(wú)人化 自動(dòng)化 智 第 16 期 黃成龍等 邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 225 能化生產(chǎn)和管理 隨著智慧農(nóng)業(yè)的快速發(fā)展 越來(lái)越多 智能農(nóng)業(yè)終端被應(yīng)用 通過(guò)實(shí)時(shí)現(xiàn)場(chǎng)數(shù)據(jù)收集 數(shù)據(jù)分 析和執(zhí)行機(jī)構(gòu)控制 提高農(nóng)業(yè)生產(chǎn)的質(zhì)量和數(shù)量 11 環(huán) 境傳感器 可以獲取環(huán)境濕度 溫度 光照 二氧化碳 含量 及土壤水分 pH 值 實(shí)現(xiàn)動(dòng)植物生長(zhǎng)環(huán)境信息的動(dòng) 態(tài)監(jiān)測(cè) 12 動(dòng)植物生長(zhǎng)監(jiān)測(cè)傳感器 可以獲取動(dòng)植物的 光譜 圖像 聲音 電磁等信息 實(shí)現(xiàn)動(dòng)態(tài)生長(zhǎng) 病害 產(chǎn)量等關(guān)鍵性狀的動(dòng)態(tài)解析 13 智能裝備傳感器 可以 獲取如拖拉機(jī) 收獲機(jī) 農(nóng)業(yè)機(jī)器人 無(wú)人機(jī) 和末端 執(zhí)行器的作業(yè)狀態(tài)信息 實(shí)現(xiàn)農(nóng)業(yè)裝備的智能監(jiān)測(cè)和控 制 14 基于各種傳感器收集的多維度農(nóng)業(yè)信息 構(gòu)建大 數(shù)據(jù)分析模型 可以為動(dòng)物養(yǎng)殖 植物生產(chǎn)裝備作業(yè)提供 智能管理決策 如智能灌溉 變量施肥 精準(zhǔn)飼養(yǎng) 疾病 診斷等 從而降低農(nóng)業(yè)生產(chǎn) 運(yùn)營(yíng)成本 15 智慧農(nóng)業(yè)按照 感知 決策 執(zhí)行 內(nèi)在邏輯 可以分為農(nóng)業(yè)智能感知 數(shù)據(jù)分析與決策 智能裝備執(zhí)行 3 個(gè)重要部分 其中數(shù) 據(jù)分析與決策離不開(kāi)云計(jì)算 邊緣計(jì)算平臺(tái)的支撐 邊緣計(jì)算作為一種新型計(jì)算模式 將其應(yīng)用在智慧 農(nóng)業(yè)上 實(shí)現(xiàn)在數(shù)據(jù)采集邊緣端完成數(shù)據(jù)處理和決策 可以有效克服云計(jì)算存在的瓶頸 顯著提高數(shù)據(jù)安全性 處理實(shí)時(shí)性 同時(shí)降低能耗 成本 本文介紹了邊緣計(jì) 算的架構(gòu) 優(yōu)勢(shì) 綜述了智慧農(nóng)業(yè)發(fā)展現(xiàn)狀 以及邊緣 計(jì)算在農(nóng)業(yè)應(yīng)用上的文獻(xiàn)發(fā)表情況 分析了邊緣計(jì)算常 用的核心設(shè)備 以及主流的邊緣計(jì)算人工智能算法 討 論了邊緣計(jì)算主要智能農(nóng)業(yè)裝備以及農(nóng)業(yè)應(yīng)用場(chǎng)景 總 結(jié)了現(xiàn)階段邊緣計(jì)算在智慧農(nóng)業(yè)應(yīng)用上存在的問(wèn)題 并 對(duì)未來(lái)發(fā)展進(jìn)行了展望 1 邊緣計(jì)算概述 1 1 邊緣計(jì)算的架構(gòu) 邊緣計(jì)算的架構(gòu)如圖 1 所示 其在終端與云端之間引 入邊緣計(jì)算端 代替云端處理部分?jǐn)?shù)據(jù) 16 終端為用戶(hù)數(shù) 據(jù)采集端 通過(guò)智能手機(jī) 工業(yè)相機(jī)等設(shè)備收集原始數(shù)據(jù) 上傳至云端或邊緣計(jì)算端進(jìn)行計(jì)算與存儲(chǔ) 云端由多個(gè)高 性能服務(wù)器與存儲(chǔ)設(shè)備構(gòu)成 可以從終端獲取訓(xùn)練數(shù)據(jù)完 成復(fù)雜模型的訓(xùn)練和優(yōu)化 并將訓(xùn)練好的模型部署在邊緣 計(jì)算端 實(shí)現(xiàn)對(duì)邊緣設(shè)備的有效調(diào)度以及針對(duì)特定任務(wù)的 數(shù)據(jù)處理 17 邊緣計(jì)算端 可以快速響應(yīng)終端請(qǐng)求并將處 理結(jié)果反饋至終端 為用戶(hù)提供更好的實(shí)時(shí)服務(wù) 1 2 邊緣計(jì)算的優(yōu)勢(shì) 在網(wǎng)絡(luò)邊緣處理數(shù)據(jù)可以降低網(wǎng)絡(luò)負(fù)載和通信延 遲 降低移動(dòng)節(jié)點(diǎn)的能源消耗 解決實(shí)時(shí)響應(yīng)和帶寬限 制等問(wèn)題 作為人工智能的重要分支 深度學(xué)習(xí)憑借大 量神經(jīng)網(wǎng)絡(luò)層數(shù)可以解決眾多復(fù)雜問(wèn)題 然而其巨大計(jì) 算量導(dǎo)致硬件算力需求較高 而傳統(tǒng)的深度學(xué)習(xí)服務(wù)器 存在體積大 移動(dòng)性差 成本高的不足 很難進(jìn)行大規(guī) 模應(yīng)用 18 邊緣計(jì)算設(shè)備包括現(xiàn)場(chǎng)可編程邏輯門(mén)陣 列 19 Field Programmable Gate Array FPGA 數(shù)字 信號(hào)處理器 20 Digital Signal Processor DSP 片上 系統(tǒng) 21 System on a Chip SOC 樹(shù)莓派 22 Raspberry Pi Nvidia Jetson 23 和智能移動(dòng)終端等 均具有較強(qiáng) 的本地運(yùn)算能力 可以部署深度學(xué)習(xí)人工智能模型 實(shí) 現(xiàn)采集數(shù)據(jù)的快速準(zhǔn)確解析 施耐德電氣公司對(duì)邊緣計(jì) 算部署的成本效益做出了分析 將邊緣計(jì)算處理器與存 儲(chǔ)設(shè)備整合在 1 個(gè)機(jī)柜中 其工作處理能力相當(dāng)于 13 個(gè)機(jī)柜的云服務(wù)器的處理能力 尺寸縮減的同時(shí)提高了 性能 邊緣計(jì)算數(shù)據(jù)中心相比于云計(jì)算數(shù)據(jù)中心的投資 成本節(jié)省 42 24 邊緣計(jì)算顯著降低了人工智能算法 部署的硬件成本 提高了嵌入式開(kāi)發(fā)的可行性 使得一 系列人工智能應(yīng)用成為了可能 圖1 邊緣計(jì)算架構(gòu) Fig 1 Edge computing architecture 邊緣計(jì)算具有低成本 低能耗 低延時(shí) 數(shù)據(jù)安全 的優(yōu)勢(shì) 已廣泛應(yīng)用工業(yè)生產(chǎn) 社會(huì)生活的智能嵌入式 產(chǎn)品開(kāi)發(fā) 王梓儒 25 分別在消費(fèi)級(jí) ARM 平臺(tái)即樹(shù)莓派 3B 高性能嵌入式 GPU Nvidia Jetson TX2 以及 Android 智能手機(jī)上部署了深度目標(biāo)檢測(cè)網(wǎng)絡(luò) 給出了 3 種不同 平臺(tái)的邊緣計(jì)算部署方案 張釗 26 通過(guò)在 Nvidia Jetson TX2 上部署改進(jìn)后的 YOLOV4 tiny 算法 設(shè)計(jì)了基于邊 緣計(jì)算的視頻監(jiān)控系統(tǒng) 并對(duì)煤層氣井站視頻數(shù)據(jù)進(jìn)行 實(shí)時(shí)監(jiān)測(cè) 平均檢測(cè)精度達(dá)到 92 15 單張圖片檢測(cè)時(shí) 長(zhǎng)為 0 102 s Ma 等 27 以華為 atlas 200 芯片作為智能處 理芯片 采用參數(shù)量化的模型壓縮方法部署殘差網(wǎng)絡(luò)與 特征金字塔融合網(wǎng)絡(luò) 設(shè)計(jì)了電網(wǎng)結(jié)冰智能監(jiān)測(cè)裝置計(jì) 算模塊 單幀檢測(cè)速度達(dá) 170 ms Kim等 28 通過(guò)在 Nvidia Jetson NANO 上部署 YOLOV3 tiny 目標(biāo)檢測(cè)模型 構(gòu)建 了基于邊緣計(jì)算的對(duì)象運(yùn)動(dòng)與跟蹤系統(tǒng) 通過(guò)分層次利 用幀差計(jì)算 目標(biāo)檢測(cè)等輕任務(wù) 自適應(yīng)地釋放不必要 的待機(jī)對(duì)象運(yùn)動(dòng)和運(yùn)動(dòng)跟蹤模型 可以節(jié)省高達(dá) 78 5 的 GPU 內(nèi)存占用 綜上所述 相較于云計(jì)算 邊緣計(jì)算存在以下優(yōu)勢(shì) 1 低延遲 在靠近數(shù)據(jù)端進(jìn)行數(shù)據(jù)處理 避免了向 云數(shù)據(jù)中心請(qǐng)求響應(yīng) 可以降低網(wǎng)絡(luò)延遲 實(shí)現(xiàn)更快速 更高效的數(shù)據(jù)分析和處理 研究表明 與云端相比 基 于邊緣計(jì)算的分支神經(jīng)網(wǎng)絡(luò)模型的推理延遲平均降低 36 29 2 低成本 網(wǎng)絡(luò)邊緣產(chǎn)生的大量數(shù)據(jù)無(wú)需全部上傳 云端 減輕了網(wǎng)絡(luò)帶寬的壓力 同時(shí)降低了數(shù)據(jù)傳輸帶 來(lái)的巨大能耗 施耐德電氣公司對(duì)邊緣計(jì)算數(shù)據(jù)中心的 農(nóng)業(yè)工程學(xué)報(bào) http www tcsae org 2022 年 226 成本效益分析中提到 相同算力條件下 邊緣數(shù)據(jù)中心 維護(hù)成本相較云數(shù)據(jù)中心每平方米節(jié)省 1 600 美元 節(jié)省 成本 42 24 因此在本地設(shè)備上的數(shù)據(jù)管理成本大大低 于云和數(shù)據(jù)中心網(wǎng)絡(luò) 3 安全性高 避免數(shù)據(jù)直接傳輸云端帶來(lái)的隱私泄 露風(fēng)險(xiǎn) 重要數(shù)據(jù)可以直接在邊緣計(jì)算端進(jìn)行加密處理 或者保存 邊緣計(jì)算端更貼近數(shù)據(jù)采集設(shè)備 訪(fǎng)問(wèn)攻擊 的難度大幅提升 提高了數(shù)據(jù)安全性 4 個(gè)性化設(shè)計(jì) 通過(guò)將邊緣計(jì)算和人工智能結(jié)合 可以持續(xù)分析客戶(hù)數(shù)據(jù)及行為 提供實(shí)時(shí)交互 為智能 設(shè)備提供自我修復(fù) 自我優(yōu)化的實(shí)時(shí)處理 實(shí)現(xiàn)即時(shí)個(gè) 性化 2 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用現(xiàn)狀與分析 2 1 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用的背景 農(nóng)業(yè)是社會(huì)和國(guó)民經(jīng)濟(jì)的基礎(chǔ) 及時(shí)獲取可靠的農(nóng) 業(yè)信息 如作物生長(zhǎng)和產(chǎn)量 對(duì)于制定糧食安全 減貧 和可持續(xù)發(fā)展的相關(guān)政策和計(jì)劃至關(guān)重要 30 隨著大數(shù) 據(jù) 物聯(lián)網(wǎng) 云計(jì)算 人工智能等現(xiàn)代信息技術(shù)在農(nóng)業(yè) 上的應(yīng)用 第三次農(nóng)業(yè)革命 農(nóng)業(yè)智能革命已經(jīng)到來(lái) 31 智慧農(nóng)業(yè)是以信息和知識(shí)為核心要素 通過(guò)將物聯(lián)網(wǎng) 大數(shù)據(jù) 人工智能 云計(jì)算等先進(jìn)信息技術(shù)與農(nóng)業(yè)深度 融合 實(shí)現(xiàn)農(nóng)業(yè)信息感知 智能控制 精準(zhǔn)決策 高效 作業(yè)的全新的農(nóng)業(yè)生產(chǎn)管理方式 是農(nóng)業(yè)發(fā)展從信息化 到智能化的高級(jí)階段 32 農(nóng)業(yè)物聯(lián)網(wǎng)通過(guò)傳感器和軟件 通過(guò)移動(dòng)平臺(tái)或者電腦平臺(tái)對(duì)農(nóng)業(yè)生產(chǎn)進(jìn)行控制 使得 傳統(tǒng)農(nóng)業(yè)具有 智慧 2020 年 7 500 萬(wàn)物聯(lián)網(wǎng)設(shè)備 用于農(nóng)業(yè)領(lǐng)域?yàn)橹腔坜r(nóng)業(yè)提供了大量智能感知和控制 終端 33 農(nóng)業(yè)人工智能 通過(guò)研究圖像識(shí)別 智能控制 動(dòng)植物生長(zhǎng)模型和專(zhuān)家系統(tǒng)等智能算法 實(shí)現(xiàn)對(duì)農(nóng)業(yè)大 數(shù)據(jù)的智能分析處理 并作出有效決策 使農(nóng)業(yè)生產(chǎn)過(guò) 程更加智能化 成本效益更高 34 為實(shí)現(xiàn)農(nóng)業(yè)物聯(lián)網(wǎng)數(shù) 據(jù)分析和處理 亟需能部署深度學(xué)習(xí)人工智能算法的高 效 可靠 低成本計(jì)算平臺(tái) 雖然云計(jì)算基礎(chǔ)架構(gòu)可以為分布式農(nóng)業(yè)物聯(lián)網(wǎng)傳感 器 人工智能算法提供集中的強(qiáng)大算力基礎(chǔ) 但是多個(gè) 網(wǎng)絡(luò)層上傳感器異構(gòu)數(shù)據(jù)的傳輸 和集中的數(shù)據(jù)處理將 帶來(lái)巨大網(wǎng)絡(luò)帶寬負(fù)擔(dān) 能源消耗 信息安全風(fēng)險(xiǎn) 35 邊緣計(jì)算通過(guò)終端實(shí)時(shí)處理減少網(wǎng)絡(luò)負(fù)載和信息安全風(fēng) 險(xiǎn) 可以有效彌補(bǔ)云計(jì)算的不足 為智慧農(nóng)業(yè)提供了新 的計(jì)算架構(gòu) 36 Alharbi 等 37 在智能農(nóng)業(yè)環(huán)境下 采用混 合整數(shù)線(xiàn)性規(guī)劃進(jìn)行了數(shù)學(xué)建模 對(duì)結(jié)合邊緣計(jì)算的集 成架構(gòu)模式與傳統(tǒng)的實(shí)現(xiàn)方法進(jìn)行了分析和比較 證明 結(jié)合邊緣計(jì)算的新型架構(gòu)模式降低總能耗 36 碳排放 量 43 可以將網(wǎng)絡(luò)流量減少 86 從而減少網(wǎng)絡(luò)擁塞 具有良好的應(yīng)用前景 此外 邊緣計(jì)算較云計(jì)算而言有 著低延遲 低帶寬成本 移動(dòng)性支持和高可擴(kuò)展性等優(yōu) 勢(shì) 可以為農(nóng)業(yè)應(yīng)用提供成本低 實(shí)時(shí)性高 適用性強(qiáng) 的解決方案 38 為智慧農(nóng)業(yè)發(fā)展提供新的技術(shù)支撐 2 2 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用的文獻(xiàn)量分析 本文對(duì) 2018 2021 年國(guó)內(nèi)外關(guān)于邊緣計(jì)算在農(nóng)業(yè)應(yīng) 用的相關(guān)文獻(xiàn)進(jìn)行統(tǒng)計(jì)分析 結(jié)果如圖 2 所示 其中國(guó) 外文獻(xiàn)以 Web of science 為來(lái)源 國(guó)內(nèi)文獻(xiàn)以 CNKI 為來(lái) 源 以邊緣計(jì)算 農(nóng)業(yè)為關(guān)鍵詞進(jìn)行篩選 邊緣計(jì)算概 念是 2016 年底提出 2018 年已經(jīng)有學(xué)者開(kāi)始將邊緣計(jì)算 應(yīng)用于農(nóng)業(yè)領(lǐng)域 2018 2019 年為探索階段僅有少量相 關(guān)文獻(xiàn)的 隨著數(shù)據(jù)量激增 云計(jì)算出現(xiàn)網(wǎng)絡(luò)延遲 能 耗大 數(shù)據(jù)安全等一系列問(wèn)題 大量國(guó)內(nèi)外研究者開(kāi)始 關(guān)注邊緣計(jì)算在農(nóng)業(yè)中的應(yīng)用 2020 年相比前一年國(guó)內(nèi) 文獻(xiàn)數(shù)量提高約 3 倍 2021 年得益于系列邊緣計(jì)算產(chǎn)業(yè) 聯(lián)盟成員的關(guān)注及投入 眾多高算力邊緣設(shè)備持續(xù)推出 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用的相關(guān)研究持續(xù)增長(zhǎng) 且首次出 現(xiàn)中文文獻(xiàn)發(fā)表量超過(guò)外文文獻(xiàn) 39 綜上所述 目前邊 緣計(jì)算在農(nóng)業(yè)上的應(yīng)用處于快速發(fā)展階段 可以預(yù)測(cè)未 來(lái)將為越來(lái)越多的農(nóng)業(yè)場(chǎng)景提供新的解決方案 圖2 邊緣計(jì)算農(nóng)業(yè)應(yīng)用國(guó)內(nèi)外文獻(xiàn)量 Fig 2 The amount of domestic and foreign literature on the application of edge computing in agriculture 2 3 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用的場(chǎng)景 現(xiàn)階段 邊緣計(jì)算的農(nóng)業(yè)應(yīng)用通常與人工智能算法 結(jié)合 旨在實(shí)現(xiàn)動(dòng)植物生長(zhǎng)動(dòng)態(tài)監(jiān)測(cè) 環(huán)境實(shí)時(shí)檢測(cè) 和農(nóng)業(yè)裝備作業(yè)智能決策 根據(jù)現(xiàn)有文獻(xiàn)報(bào)道 邊緣計(jì) 算在農(nóng)業(yè)中應(yīng)用的場(chǎng)景如表 1 所示 主要分為環(huán)境監(jiān)測(cè) 與病蟲(chóng)害識(shí)別 作物生長(zhǎng)及產(chǎn)量預(yù)測(cè) 農(nóng)業(yè)偵察與路徑 規(guī)劃等方面 此外 表中對(duì)不同邊緣計(jì)算農(nóng)業(yè)應(yīng)用場(chǎng)景 下 測(cè)量目標(biāo) 采用的邊緣計(jì)算設(shè)備 網(wǎng)絡(luò)模型 檢測(cè) 速度與精度指標(biāo) 進(jìn)行了歸納總結(jié) 1 環(huán)境監(jiān)測(cè)與病蟲(chóng)害識(shí)別 病蟲(chóng)害識(shí)別與環(huán)境檢測(cè)是目前邊緣計(jì)算最常見(jiàn)農(nóng)業(yè) 應(yīng)用場(chǎng)景 劉蘇偉 40 基于邊緣計(jì)算與深度學(xué)習(xí)構(gòu)建了玉 米葉片病害識(shí)別系統(tǒng) 通過(guò)采集玉米葉片圖像 對(duì)葉斑 病 葉枯病 銹病以及健康葉片進(jìn)行識(shí)別 選用 ResNet18 模型測(cè)試精確率達(dá) 85 4 當(dāng)終端和邊緣設(shè)備連接并傳輸 數(shù)據(jù)時(shí) 最大速度達(dá) 5 58 MB s 牛愷銳等 41 基于深度學(xué) 習(xí)框架構(gòu)建了一個(gè)特征提取網(wǎng)絡(luò) 并部署在海思 Hi3559A 芯片上 實(shí)現(xiàn)小麥 水稻病蟲(chóng)害識(shí)別 模型準(zhǔn)確率分別 為 92 97 識(shí)別速度達(dá) 20 0 幀 s 且功耗小于 5 W 該邊緣計(jì)算嵌入式終端相較于傳統(tǒng)服務(wù)器具有低成本 低功耗 輕量化等優(yōu)勢(shì) 李鳳迪 42 構(gòu)建了基于深度學(xué)習(xí) 的松材線(xiàn)蟲(chóng)病樹(shù)檢測(cè)方法 選用樹(shù)莓派 4B 作為邊緣計(jì)算 平臺(tái)部署訓(xùn)練好的 MobileNetv2 SSDLite 模型并集成在大 疆 M600 無(wú)人機(jī)上 實(shí)現(xiàn)松材線(xiàn)蟲(chóng)病樹(shù)的在線(xiàn)監(jiān)測(cè) 識(shí)別 速度達(dá)到 5 幀 s 孫志朋 43 通過(guò)在樹(shù)莓派部署卷積神經(jīng)網(wǎng) 絡(luò)對(duì)水稻害蟲(chóng)圖像進(jìn)行識(shí)別 準(zhǔn)確率可達(dá)到 89 利用 邊緣設(shè)備完成了害蟲(chóng)在線(xiàn)識(shí)別計(jì)數(shù) 水稻生長(zhǎng)環(huán)境監(jiān)測(cè) 第 16 期 黃成龍等 邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 227 減少了云端計(jì)算壓力 Guill n 等 44 基于深度學(xué)習(xí)搭建了 農(nóng)業(yè)低溫預(yù)測(cè)邊緣計(jì)算平臺(tái) 以 Nvidia Jetson AGX Xavier 為邊緣設(shè)備部署 LSTM Long Short Term Memory 模型實(shí)現(xiàn)溫度預(yù)測(cè) 推理時(shí)間為 0 3 s 預(yù)測(cè)值的平均誤 差小于 0 8 設(shè)備耗電量小于 0 08 kW h 綜上所述 通過(guò)邊緣設(shè)備部署人工智能算法 可以實(shí)現(xiàn)高精度 實(shí) 時(shí)性的環(huán)境監(jiān)測(cè)和病蟲(chóng)害識(shí)別 為農(nóng)業(yè)人工智能應(yīng)用提 供了新的技術(shù)途徑 2 作物生長(zhǎng)及產(chǎn)量預(yù)測(cè) 作物生長(zhǎng)及產(chǎn)量預(yù)測(cè)是邊緣計(jì)算在農(nóng)業(yè)上的應(yīng)用領(lǐng) 域之一 通過(guò)邊緣設(shè)備上部署機(jī)器學(xué)習(xí)預(yù)測(cè)模型 可以 大大減少預(yù)測(cè)環(huán)節(jié)所用時(shí)間 Park 等 45 將邊緣計(jì)算技術(shù) 融入智能農(nóng)場(chǎng)中 分析環(huán)境和生長(zhǎng)數(shù)據(jù)獲取關(guān)鍵參數(shù) 以此來(lái)預(yù)測(cè)作物生長(zhǎng)及最終產(chǎn)量 通過(guò)在樹(shù)莓派上部署 LSTM 模型對(duì)櫻桃番茄的產(chǎn)量進(jìn)行預(yù)測(cè) 得到預(yù)測(cè)值均方 誤差為 0 045 預(yù)測(cè)精度較高 Coviello 等 46 通過(guò)智能手 機(jī)對(duì)葡萄產(chǎn)量進(jìn)行測(cè)算 使用設(shè)計(jì)的計(jì)數(shù)網(wǎng)絡(luò) GBCNet 在兩個(gè)原始數(shù)據(jù)集 CR1 和 CR2 上進(jìn)行測(cè)試 檢測(cè)的平 均百分比誤差在 0 85 11 73 手機(jī)拍攝和處理單張圖 片時(shí)間小于 1 s 具有較好的便攜性和較高的預(yù)測(cè)效率 綜上所述 與服務(wù)器端數(shù)據(jù)采集 上傳 分析及模型預(yù) 測(cè)的步驟相比 邊緣計(jì)算設(shè)備可以直接實(shí)現(xiàn)現(xiàn)場(chǎng)數(shù)據(jù)采 集與模型預(yù)測(cè) 且具有較高的預(yù)測(cè)精度和效率 可為精 準(zhǔn)農(nóng)業(yè)發(fā)展助力 3 農(nóng)業(yè)偵察與無(wú)人機(jī)路徑規(guī)劃 農(nóng)業(yè)偵察與無(wú)人機(jī)路徑規(guī)劃 是農(nóng)業(yè)裝備智能作業(yè) 的重要內(nèi)容 與所有數(shù)據(jù)傳輸?shù)皆撇煌?通過(guò)邊緣節(jié)點(diǎn) 與無(wú)人機(jī)等傳感器連接提供了近數(shù)據(jù)端 低延時(shí) 低成 本的智能數(shù)據(jù)處理與決策方案 Yang 等 47 結(jié)合邊緣計(jì) 算提出了一種無(wú)人機(jī)自適應(yīng)作物偵察機(jī)制 將 EDANet 模型部署在 Nvidia Jetson TX2 上 結(jié)合無(wú)人機(jī)在多個(gè)角 度對(duì)水稻進(jìn)行偵察 可以將稻田偵察速度提高 36 準(zhǔn) 確率達(dá) 99 25 Chen 等 48 結(jié)合邊緣計(jì)算建立了無(wú)人機(jī) 害蟲(chóng)智能識(shí)別系統(tǒng) 在 Nvidia Jetson TX2 上部署基于 YOLOv3 tiny 的無(wú)人機(jī)果園乳頭狀錐蟲(chóng)智能識(shí)別模型 實(shí)現(xiàn)害蟲(chóng)快速準(zhǔn)確定位 并規(guī)劃出最優(yōu)無(wú)人機(jī)農(nóng)藥噴灑 路徑 與傳統(tǒng)路徑相比縮短 19 且減少了 87 的水消 耗量 節(jié)省了 53 的工作時(shí)間 此外還可以將害蟲(chóng)位置 和產(chǎn)生情況傳輸?shù)皆贫艘员阌涗浐头治鲎魑锷L(zhǎng)情況 由此可知 通過(guò)嵌入式邊緣計(jì)算設(shè)備和無(wú)人機(jī)結(jié)合 可 以部署復(fù)雜的人工智能模型 實(shí)現(xiàn)高精度農(nóng)業(yè)偵察和最 優(yōu)路徑規(guī)劃 表 1 邊緣計(jì)算在農(nóng)業(yè)中的應(yīng)用場(chǎng)景 Table 1 Application scenario of edge computing in agriculture 應(yīng)用場(chǎng)景 Scenario 測(cè)量目標(biāo) Measurement object 邊緣設(shè)備 Edge device 網(wǎng)絡(luò)模型 Network model 檢測(cè)效果 Detection effect 采摘機(jī)器人 Picking robot 水果 樹(shù)莓派 4B DNN 準(zhǔn)確率 95 8 識(shí)別速度 30 幀 s 49 自主除草機(jī) Autonomous weeder 雜草 樹(shù)莓派 3B MobileNets DenseNet 錯(cuò)誤率 1 識(shí)別速度 10 幀 s 50 水下無(wú)人機(jī) Underwater UAV 魚(yú)類(lèi) 樹(shù)莓派 3B AlexNet 準(zhǔn)確率 87 51 無(wú)人牧場(chǎng)監(jiān)控 Unmanned ranch monitoring 豬 Nvidia Jetson nano YOLOV4 tiny 準(zhǔn)確率 97 66 檢測(cè)速度 34 幀 s 52 無(wú)人機(jī)噴灑 UAV spraying 雜草 Nvidia Jetson nano AlexNet 準(zhǔn)確度 80 9 檢測(cè)速度 4 5 幀 s 53 盆花自動(dòng)化管理 Automatic management of potted flowers 盆栽 Nvidia Jetson TX2 YOLOV4 tiny 準(zhǔn)確率為 89 72 檢測(cè)速度 16 幀 s 54 作物病害識(shí)別 Crop disease identification 害蟲(chóng) Nvidia Jetson TX2 YOLOV3 tiny 無(wú)人機(jī)減少 53 工作時(shí)間 48 無(wú)人機(jī)地圖繪制 UAV mapping 雜草 NVIDIA Jetson AGX Xavier ResNet 18 準(zhǔn)確率 94 檢測(cè)速度 2 2 幀 s 55 作物識(shí)別 Crop identification 葡萄 Mi 9 GoogLeNet 準(zhǔn)確率 99 91 56 植物病害識(shí)別 Plant disease identification 害蟲(chóng) HiSilicon Kirin 970 SSD w Inception 準(zhǔn)確率 77 14 57 植物病害識(shí)別 Plant disease identification 植物葉片 Android CNN 準(zhǔn)確率 94 58 葡萄產(chǎn)量估算 Estimation of grape yield 產(chǎn)量信息 Android GBCNet 單品種平均誤差 7 46 植物表型檢測(cè) Plant phenotype detection 表型性狀 Meizu MX4 DeepLabV3 單張檢測(cè)時(shí)間小于 2 5 s 59 植物表型檢測(cè) Plant phenotype detection 葉片 Android YOLOv3 tiny 單張推理時(shí)間小于 0 01 s 60 植物病害識(shí)別 Plant disease identification 珍珠粟疾病 樹(shù)莓派 3B Custom Net 準(zhǔn)確率 98 78 61 智能?chē)婌F器 Intelligent spray 雜草 Nvidia Jetson TX2 CNN 準(zhǔn)確率 90 檢測(cè)速度 22 幀 s 62 植物病害識(shí)別 Plant disease identification 玉米葉片 樹(shù)莓派 3B CNN 準(zhǔn)確率 88 46 63 植物病害識(shí)別 Plant disease identification 番茄 樹(shù)莓派 4B MobileNetV3 準(zhǔn)確率 99 01 單張檢測(cè)速度 300 ms 64 雜草檢測(cè)系統(tǒng) Weed detection system 雜草 樹(shù)莓派 4B SVM 準(zhǔn)確率 96 檢測(cè)速度 6 幀 s 65 2 4 基于邊緣計(jì)算的智能農(nóng)業(yè)裝備 根據(jù)文獻(xiàn)報(bào)道目前基于邊緣計(jì)算的智能農(nóng)業(yè)裝備如 圖 3 所示 主要分為智能農(nóng)業(yè)無(wú)人機(jī) 66 智能農(nóng)業(yè)機(jī)器 人 67 以及農(nóng)業(yè)智能移動(dòng)終端 68 邊緣設(shè)備與無(wú)人機(jī)結(jié)合 常用于執(zhí)行雜草 蟲(chóng)害檢測(cè) 路徑規(guī)劃和農(nóng)藥自動(dòng)噴灑 等任務(wù) 與地面農(nóng)業(yè)機(jī)器人結(jié)合實(shí)現(xiàn)農(nóng)作物實(shí)時(shí)檢測(cè) 可完成作物采摘 除草 實(shí)時(shí)環(huán)境監(jiān)測(cè)等任務(wù) 結(jié)合智 能移動(dòng)端開(kāi)發(fā)的應(yīng)用程序?yàn)橛脩?hù)提供了更加快捷方便的 農(nóng)業(yè)圖像采集和數(shù)據(jù)處理方案 1 智能農(nóng)業(yè)無(wú)人機(jī) 作為一種新型的信息獲取載體 無(wú)人機(jī)因其操作靈活 適應(yīng)性高 廣泛應(yīng)用于各種農(nóng)業(yè) 場(chǎng)景 尤其是在農(nóng)藥噴灑 作物蟲(chóng)害監(jiān)測(cè) 地形勘測(cè)等 方面 69 通過(guò)在無(wú)人機(jī)上部署邊緣計(jì)算核心設(shè)備 在空 中作業(yè)的過(guò)程中 對(duì)采集到的圖像進(jìn)行實(shí)時(shí)處理 自動(dòng) 進(jìn)行路徑規(guī)劃 作物病害識(shí)別 完成除草 農(nóng)藥噴灑 地圖繪制等作業(yè) 減少后續(xù)數(shù)據(jù)傳輸 遠(yuǎn)程處理等步驟 農(nóng)業(yè)工程學(xué)報(bào) http www tcsae org 2022 年 228 提高工作效率 如 Ukaegbu 等 70 基于無(wú)人機(jī)和樹(shù)莓派 3B 開(kāi)展飛行作業(yè)過(guò)程中雜草檢測(cè)與除草劑自動(dòng)噴灑研究 實(shí)現(xiàn) 0 5 m 的飛行高度下雜草檢測(cè)時(shí)間小于 1 s 精度大 于 98 Camargo 等 55 在邊緣設(shè)備 Nvidia Jetson AGX Xavier 上部署 ResNet 18 DCNN Dynamic Convolution Neural Network 動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò) 模型實(shí)現(xiàn)雜草與作 物智能檢測(cè) 總體準(zhǔn)確率為 94 檢測(cè)速度達(dá)到 2 2 幀 s 實(shí)現(xiàn)雜草地圖的在線(xiàn)繪制 Partel 等 62 開(kāi)發(fā)了一種智能除 草噴霧器 以 Nvidia Jetson TX2 作為邊緣計(jì)算端部署 YOLOV3 tiny 模型完成目標(biāo)雜草識(shí)別 平均檢測(cè)精度達(dá) 90 速度達(dá)到 22 幀 s 綜上所述 結(jié)合邊緣計(jì)算端與無(wú) 人機(jī)設(shè)備可以在飛行過(guò)程中執(zhí)行數(shù)據(jù)分析任務(wù) 減少了數(shù) 據(jù)交互帶來(lái)的時(shí)間成本 使得自主路徑規(guī)劃作業(yè)成為可 能 提高了工作效率 a 智能農(nóng)業(yè)無(wú)人機(jī)應(yīng)用系統(tǒng) 66 a Intelligent agricultural UAV application system 66 大田環(huán)境 設(shè)施環(huán)境 Field environment Facility environment b 智能農(nóng)業(yè)機(jī)器人 67 b Intelligent agricultural robot 67 c 智能移動(dòng)終端界面 c Intelligent mobile terminal interface 圖3 基于邊緣計(jì)算的智能農(nóng)業(yè)裝備 68 Fig 3 The intelligent agricultural equipment based on edge computing 68 2 智能農(nóng)業(yè)機(jī)器人 隨著人工智能技術(shù)飛速發(fā)展 智能農(nóng)業(yè)機(jī)器人在內(nèi)部嵌入邊緣計(jì)算平臺(tái) 可以直接在 邊緣側(cè)實(shí)現(xiàn)對(duì)圖像信息的分析和決策 可以完成智能播 種 種植 耕作 采摘 收割 分選等一系列工作 71 部署人工智能算法的農(nóng)業(yè)機(jī)器人 相較于傳統(tǒng)控制作業(yè) 方式更加高效智能 可以應(yīng)用于復(fù)雜的農(nóng)業(yè)作業(yè)場(chǎng)景 如棉花打頂 智能除草 精準(zhǔn)灌溉等 Nilay 等 49 結(jié)合 FPGA 設(shè)備設(shè)計(jì)的水果采摘機(jī)器人 對(duì)采集到的圖像信息 進(jìn)行處理 目標(biāo)水果識(shí)別精度為 95 8 識(shí)別速度達(dá) 30 幀 s 實(shí)現(xiàn)了目標(biāo)水果的自動(dòng)采集 Wang 等 54 結(jié)合邊 緣計(jì)算設(shè)計(jì)育苗機(jī)器人 通過(guò)在邊緣設(shè)備 Nvidia Jetson TX2 上部署 YOLOV4 tiny 模型實(shí)現(xiàn)了盆花的實(shí)時(shí)檢測(cè)與 定位 平均檢測(cè)準(zhǔn)確率 89 72 檢測(cè)速度達(dá)到 16 幀 s 完成了盆栽的自動(dòng)化管理 Chechli ski 等 50 設(shè)計(jì)的自主 除草機(jī)器人 采用樹(shù)莓派 3B 作為邊緣計(jì)算設(shè)備以超過(guò) 10 幀 s 的檢測(cè)速度實(shí)現(xiàn)了雜草實(shí)時(shí)檢測(cè) 因此 將智能 農(nóng)業(yè)機(jī)器人與邊緣計(jì)算技術(shù)結(jié)合 突破了傳統(tǒng)農(nóng)業(yè)機(jī)器 人在復(fù)雜任務(wù) 復(fù)雜環(huán)境下作業(yè)的瓶頸 是智慧農(nóng)業(yè)的 重要發(fā)展方向 3 農(nóng)業(yè)智能移動(dòng)終端 隨著智能移動(dòng)終端的快速發(fā) 展 其算力和存儲(chǔ)性能不斷提高 使得復(fù)雜深度學(xué)習(xí)模 型部署成為了可能 72 基于智能移動(dòng)終端設(shè)計(jì)人工智能 應(yīng)用程序 可實(shí)現(xiàn)便攜式 高精度的農(nóng)業(yè)信息采集與分 析 如 Liu 等 56 在移動(dòng)智能手機(jī)上部署 GoogLeNet 模型 實(shí)現(xiàn) 21 種葡萄分類(lèi)識(shí)別 準(zhǔn)確率達(dá) 99 91 Buzzy 等 60 將 YOLOV3 tiny 部署在智能手機(jī)端 實(shí)現(xiàn)了植物葉片的 檢測(cè)與計(jì)數(shù) 檢測(cè)時(shí)間小于 0 1 s Ai 等 59 將邊緣計(jì)算 與深度學(xué)習(xí)結(jié)合 以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建了 Inception ResNet v2 模型 并部署在手機(jī)端 應(yīng)用于植物 病蟲(chóng)害的識(shí)別和檢測(cè) 總體識(shí)別準(zhǔn)確率為 86 1 綜上所 述 智能移動(dòng)終端 具有拍照 聲音采集等通用傳感器 基于通用的 Android 開(kāi)發(fā)平臺(tái)設(shè)計(jì)移動(dòng)端人工智能應(yīng) 用程序 可以為智慧農(nóng)業(yè)提供便攜式 低成本智能檢測(cè) 方案 2 5 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用的設(shè)備核心 隨著邊緣計(jì)算的快速發(fā)展 越來(lái)越多的計(jì)算設(shè)備為 邊緣 AI Artificial Intelligence 應(yīng)用程序和嵌入式設(shè)備 而設(shè)計(jì) 農(nóng)業(yè)中常用的邊緣計(jì)算核心設(shè)備如圖 4 所示 主要包括樹(shù)莓派 英偉達(dá)小型計(jì)算平臺(tái) FPGA 和手機(jī) 處理器等 該類(lèi)設(shè)備具有體積小 結(jié)構(gòu)緊湊 功耗低 算力高等優(yōu)勢(shì) 73 常用的邊緣計(jì)算設(shè)備算力 功耗等性 能參數(shù)如表 2 所示 樹(shù)莓派 3B 自 2016 年發(fā)布以來(lái) 因 其高便攜性 低功耗受到了科研工作者的廣泛關(guān)注 到 2019 年樹(shù)莓派 4B 發(fā)布 計(jì)算能力相較于樹(shù)莓派 3B 有顯 著提升 較高性?xún)r(jià)比以及較小的體積使其常作為邊緣計(jì) 算核心設(shè)備集成于各類(lèi)智慧農(nóng)業(yè)平臺(tái)中 74 此外 Xilinx PYNQ Z2 海思 Hi3559 等 FPGA SOC 芯片的計(jì)算能力 相較于樹(shù)莓派提升了近百倍 可以加載更加復(fù)雜的模型 并提高模型推理速度 75 近年來(lái) Nvidia Jetson 推出的一 系列邊緣計(jì)算設(shè)備如 NANO TX2 AGX 等 其算力為 0 5 10 T 不等 可為不同農(nóng)業(yè)應(yīng)用場(chǎng)景提供最佳性?xún)r(jià)比 第 16 期 黃成龍等 邊緣計(jì)算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 229 的檢測(cè)方案 76 a 樹(shù)莓派 4B a Raspberry Pi 4B b 賽靈思 PYNQ Z2 b Xilinx PYNQ Z2 c 海思 Hi3559A c Hisilicon Hi3559A d 英偉達(dá) Jetson TX2 d Nvidia Jetson TX2 e 英偉達(dá) Jetson NANO e Nvidia Jetson NANO f 英偉達(dá) Jetson AGX Xavier f Nvidia Jetson AGX Xavier 圖4 邊緣計(jì)算核心設(shè)備圖 Fig 4 Edge computing core equipment diagram 樹(shù)莓派以較低成本與高便攜性受到了許多研究者們 的青睞 Kundu 等 77 提出了 Custom Net 模型用于檢測(cè)珍 珠粟疾病 并將模型部署在樹(shù)莓派 3B 上實(shí)現(xiàn)了 98 78 的分類(lèi)準(zhǔn)確率 Mishra 等 61 采用樹(shù)莓派 3B 并結(jié)合由專(zhuān) 用 CNN Convolutional Neural Network 硬件塊組成的 Intel Movidius 神經(jīng)計(jì)算棒作為邊緣設(shè)備 部署訓(xùn)練好 的深度 CNN 模型 實(shí)現(xiàn)玉米葉片的病害識(shí)別 準(zhǔn)確率 達(dá) 88 46 Tarek 等 63 將 MobileNetV3 部署在樹(shù)莓派 4B 上 實(shí)現(xiàn)番茄疾病的快速準(zhǔn)確診斷 檢測(cè)精度達(dá) 98 99 檢測(cè)效率為每張圖 250 350ms Emebo 等 64 構(gòu)建了一個(gè)番茄葉片病害分類(lèi)模型 部署在手持式設(shè)備 的樹(shù)莓派上 模型平均精度達(dá) 99 01 Tufail 等 65 提 出了一種基于紋理 形狀和顏色特征組合的支持向量機(jī) 分類(lèi)器 并將該算法部署在樹(shù)莓派 4B 上進(jìn)行實(shí)時(shí)監(jiān)測(cè) 分類(lèi)準(zhǔn)確率達(dá) 96 檢測(cè)效率為 6 幀 s Meng 等 51 開(kāi) 發(fā)了一種水下無(wú)人機(jī) 配備 360 全景攝像頭作為圖像 采集端 并在樹(shù)莓派 3B 上部署深度學(xué)習(xí)魚(yú)類(lèi)識(shí)別模型 模型準(zhǔn)確率達(dá) 87 Nvidia Jetson 系列開(kāi)發(fā)板以寬泛 出色的算力在眾多 邊緣設(shè)備中脫穎而出 且廠(chǎng)商提供了豐富的軟硬件支持 服務(wù) 因此以其作為邊緣計(jì)算設(shè)備的文獻(xiàn)報(bào)道最多 Seo 等 52 以 Nvidia Jetson NANO 作為邊緣計(jì)算端 基于 YOLOV4 tiny 設(shè)計(jì)了復(fù)雜場(chǎng)景下生豬識(shí)別和定位算法 檢測(cè)精度達(dá) 97 66 檢測(cè)速度為 34 38 幀 s 實(shí)現(xiàn)養(yǎng)豬場(chǎng) 生豬智能監(jiān)測(cè) Deng 等 53 針對(duì)無(wú)人機(jī)對(duì)雜草識(shí)別及精準(zhǔn) 噴藥問(wèn)題 構(gòu)建雜草識(shí)別輕量級(jí)的網(wǎng)絡(luò)架構(gòu) 并將其部 署在 Nvidia Jetson TX2 上 實(shí)現(xiàn) 4 5 幀 s 的檢測(cè)速度和 80 9 的檢測(cè)準(zhǔn)確度 表 2 常用邊緣計(jì)算設(shè)備及參數(shù) Table 2 Common edge computing devices and parameters 邊緣計(jì)算設(shè)備 Edge computing device 算力 每秒浮點(diǎn)運(yùn)算次數(shù) Computing power FLOPS 功耗 Power dissipation W 網(wǎng)址 Website 樹(shù)莓派 3B 3 62 G 1 8 4 8 樹(shù)莓派 3B 5 3 G 2 6 9 4 樹(shù)莓派 4B 13 5 G 2 5 7 3 https www raspberrypi org https www raspberrypi org https www raspberrypi org Nvidia Jetson NANO 0 5 T 5 10 Nvidia Jetson TX2 1 3 T 7 5 15 Nvidia Jetson AGX Xavier 5 5 11 T 10 30 Nvidia Jetson Xavier NX 6 T 10 15 Xilinx PYNQ Z2 0 5T 5 15 Hi3559 4 T 3 10 Snapdragon 3 30 T 注 每秒浮點(diǎn)運(yùn)算次數(shù) Floating point Operations Per Second FLOPS 1GFLOPS 等于每秒十億 10 9 次的浮點(diǎn)運(yùn)算 1TFLOPS 等于每秒一萬(wàn)億 10 12 次的 浮點(diǎn)運(yùn)算 Note FLOPS is the floating point operations per second 1GFLOPS means one billion 10 9 floating point operations per second and 1TFLOPS means one trillion 10 12 floating point operations per second 除此之外 FPGA DSP 以及手機(jī)處理器也具有極強(qiáng) 的算力 可用于邊緣端數(shù)據(jù)處理 78 He 等 57 提出了一種 基于深度學(xué)習(xí)的油菜害蟲(chóng)檢測(cè)方法 在移動(dòng)智能手機(jī)上 部署 SSD w Inception 模型 實(shí)現(xiàn)油菜害蟲(chóng)實(shí)時(shí)診斷 平 均檢測(cè)精度達(dá) 77 14 Ahmed 等 58 基于深度學(xué)習(xí)開(kāi)發(fā)了 一種植物葉片疾病自動(dòng)診斷移動(dòng)式平臺(tái) 在 Android 移動(dòng) 端對(duì) 14 種作物常見(jiàn)的 38 種疾病進(jìn)行分類(lèi) 總體分類(lèi)準(zhǔn) 確率達(dá)到 94 Liu 等 79 開(kāi)發(fā)了一款基于 Android 的便攜 式植物表型分析應(yīng)用程序 實(shí)現(xiàn) 15 個(gè)整株性狀 25 個(gè)葉 片性狀和 5 個(gè)莖稈性狀的便攜式 實(shí)時(shí)檢測(cè) 綜上所述 面對(duì)不同的農(nóng)業(yè)應(yīng)用場(chǎng)景 用戶(hù)可以選擇合適算力的邊 緣計(jì)算設(shè)備 為農(nóng)業(yè)生產(chǎn)提供具有成本效益的解決方案 2 6 邊緣計(jì)算在農(nóng)業(yè)中應(yīng)用的主流深度學(xué)習(xí)算法 深度學(xué)習(xí)作為一種智能數(shù)據(jù)處理方法 廣泛應(yīng)用于 智慧農(nóng)業(yè)研究與生產(chǎn)實(shí)踐 然而大多數(shù)深度學(xué)習(xí)方法對(duì) 計(jì)算設(shè)備的算力和內(nèi)存需求較高 80