边缘计算在智慧农业中的应用现状与展望.pdf

第 38 卷 第 16 期 农 业 工 程 学 报 Vol 38 No 16 224 2022 年 8月 Transactions of the Chinese Society of Agricultural Engineering Aug 2022 边缘计算在智慧农业中的应用现状与展望 黄成龙 1 柯宇曦 1 华向东 1 杨俊雅 1 孙梦雨 1 杨万能 2 1 华中农业大学工学院 武汉 430070 2 华中农业大学作物遗传改良国家重点实验室 武汉 430070 摘 要 互联网技术快速发展使得数据量剧增 云计算的数据集中处理模式存在实时性不足 能耗过高以及数据安全等 一系列问题 边缘计算是在靠近数据源端执行计算的分散处理模式 与云计算相比具有低延迟 低成本 安全性高 个 性化设计等优势 随着智慧农业迅速发展 结合深度学习的农业应用屡见不鲜 如作物病害检测 生长环境监测 作物 自动采摘 无人农场管理等 边缘计算可以为农业多场景 复杂任务提供高效 可靠的新型数据处理方案 该研究概述 了边缘计算的发展 计算架构及主要优势 介绍了边缘计算在农业中的应用背景 结合文献量分析 归纳了边缘计算在 农业上的主要应用场景及相关智能农业装备 调研了现有常用边缘计算设备及性能参数 总结了适合边缘计算的主流深 度学习算法及模型压缩方法 研究表明边缘计算在智慧农业中的应用有效促进了农业的数字化 智能化 未来在多场景 多功能边缘计算智能农业装备开发等领域将面临重大挑战和机遇 关键词 物联网 边缘计算 云计算 智慧农业 深度学习 模型压缩 模型部署 doi 10 11975 j issn 1002 6819 2022 16 025 中图分类号 S126 文献标志码 A 文章编号 1002 6819 2022 16 0224 11 黄成龙 柯宇曦 华向东 等 边缘计算在智慧农业中的应用现状与展望 J 农业工程学报 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 近年来 随着互联网技术的快速发展 远程高性能 服务器集中解决计算与存储问题的云计算模式推动着万 物互联和人工智能的飞速发展与广泛应用 极大改善了 社会生活和工业生产方式 1 在物联网与云技术的蓬勃发 展下 一系列农业场景与云计算结合 实现数字化 自 动化 有力推动了智慧农业的发展 2 思科全球云指数报 告指出 2016 年全球云数据中心数据量为 6 0 ZB 1 ZB 等于 10 亿 TB 到 2021 年 这一数字暴涨 3 倍 达到 了 19 5 ZB 云数据中心流量占总数据流量的 95 3 在 数据量急剧上升的万物互联时代 云计算的集中处理存 在以下不足 1 实时性不足 随着物联网飞速发展 众 多终端设备产生的数据量剧增 使得网络带宽面临巨大负 担 导致数据传输延迟时间大大增加 难以满足人们日常 工作生活需求 4 2 能耗过高 云服务器数据激增 能耗 大大增加 仅以中国数据中心来看 每年用电量以超过 10 的速度增长 至 2021年年耗电已超过 1 000亿 kW h 5 3 数据安全问题 大数据时代下社会生活 工业生产等 隐私数据直接上传云数据中心会带来一系列安全隐患 受隐私协议霸王条款 厂商技术漏洞和黑客攻击等问题 影响 随时存在数据泄露与丢失的风险 6 收稿日期 2022 05 12 修订日期 2022 08 11 基金项目 国家自然科学基金项目 32270431 U21A20205 中央高校基 本科研业务费项目 2662022YJ018 作者简介 黄成龙 博士 副教授 研究方向为农业技术与装备 植物表型 Email hcl 为解决云计算实时性不足 能耗过高 及数据安全 问题 边缘计算采用在靠近数据源端执行计算的分散处 理模式 以此来降低云计算数据中心的计算负载 从而 实现降低能耗以及减少网络带宽的压力 7 2016 年 11 月 30 日 边缘计算产业联盟在北京成立 由华为 英特尔 公司 中国信息通信研究院 软通动力等单位组成 在 边缘计算产业峰会上 正式发布 边缘计算参考架构 2 0 8 其中边缘计算定义为 在靠近数据源的一侧 采用网络 计算 存储的分布式平台 就近提供边缘智 能服务 边缘计算可以为不同行业提供经济 可行 创 新的解决方案 1 智慧水务 基于边缘计算的智慧供水 系统 实现故障自诊断 可预测性维护 据华为云智能 边缘平台报告指出结合边缘计算的智慧水务系统故障时 间和维护人力减少 60 2 智慧照明 基于边缘计算的 智慧照明系统 实现路灯的远程 实时 自适应控制 与传统照明系统相比能耗降低 80 运维成本降低 90 3 智能楼宇 基于边缘计算的智慧楼宇 实现楼宇多系 统协同控制和智能化运营 比较供暖 通风和空调系统 耗能 相比传统运行方式节省了 36 75 以上的能源 8 9 综上所述 边缘计算满足行业在敏捷联接 实时业务 智能决策 数据安全等方面的关键需求 是行业数字化 升级不可或缺的要素 随着中国老龄化加剧 城市化发展和气候变化 传 统农业发展面临巨大挑战 智慧农业作为农业生产的高 级阶段 10 通过人工智能 物联网 云计算等现代信息 技术与传统农业相结合 实现农业无人化 自动化 智 第 16 期 黄成龙等 边缘计算在智慧农业中的应用现状与展望 225 能化生产和管理 随着智慧农业的快速发展 越来越多 智能农业终端被应用 通过实时现场数据收集 数据分 析和执行机构控制 提高农业生产的质量和数量 11 环 境传感器 可以获取环境湿度 温度 光照 二氧化碳 含量 及土壤水分 pH 值 实现动植物生长环境信息的动 态监测 12 动植物生长监测传感器 可以获取动植物的 光谱 图像 声音 电磁等信息 实现动态生长 病害 产量等关键性状的动态解析 13 智能装备传感器 可以 获取如拖拉机 收获机 农业机器人 无人机 和末端 执行器的作业状态信息 实现农业装备的智能监测和控 制 14 基于各种传感器收集的多维度农业信息 构建大 数据分析模型 可以为动物养殖 植物生产装备作业提供 智能管理决策 如智能灌溉 变量施肥 精准饲养 疾病 诊断等 从而降低农业生产 运营成本 15 智慧农业按照 感知 决策 执行 内在逻辑 可以分为农业智能感知 数据分析与决策 智能装备执行 3 个重要部分 其中数 据分析与决策离不开云计算 边缘计算平台的支撑 边缘计算作为一种新型计算模式 将其应用在智慧 农业上 实现在数据采集边缘端完成数据处理和决策 可以有效克服云计算存在的瓶颈 显著提高数据安全性 处理实时性 同时降低能耗 成本 本文介绍了边缘计 算的架构 优势 综述了智慧农业发展现状 以及边缘 计算在农业应用上的文献发表情况 分析了边缘计算常 用的核心设备 以及主流的边缘计算人工智能算法 讨 论了边缘计算主要智能农业装备以及农业应用场景 总 结了现阶段边缘计算在智慧农业应用上存在的问题 并 对未来发展进行了展望 1 边缘计算概述 1 1 边缘计算的架构 边缘计算的架构如图 1 所示 其在终端与云端之间引 入边缘计算端 代替云端处理部分数据 16 终端为用户数 据采集端 通过智能手机 工业相机等设备收集原始数据 上传至云端或边缘计算端进行计算与存储 云端由多个高 性能服务器与存储设备构成 可以从终端获取训练数据完 成复杂模型的训练和优化 并将训练好的模型部署在边缘 计算端 实现对边缘设备的有效调度以及针对特定任务的 数据处理 17 边缘计算端 可以快速响应终端请求并将处 理结果反馈至终端 为用户提供更好的实时服务 1 2 边缘计算的优势 在网络边缘处理数据可以降低网络负载和通信延 迟 降低移动节点的能源消耗 解决实时响应和带宽限 制等问题 作为人工智能的重要分支 深度学习凭借大 量神经网络层数可以解决众多复杂问题 然而其巨大计 算量导致硬件算力需求较高 而传统的深度学习服务器 存在体积大 移动性差 成本高的不足 很难进行大规 模应用 18 边缘计算设备包括现场可编程逻辑门阵 列 19 Field Programmable Gate Array FPGA 数字 信号处理器 20 Digital Signal Processor DSP 片上 系统 21 System on a Chip SOC 树莓派 22 Raspberry Pi Nvidia Jetson 23 和智能移动终端等 均具有较强 的本地运算能力 可以部署深度学习人工智能模型 实 现采集数据的快速准确解析 施耐德电气公司对边缘计 算部署的成本效益做出了分析 将边缘计算处理器与存 储设备整合在 1 个机柜中 其工作处理能力相当于 13 个机柜的云服务器的处理能力 尺寸缩减的同时提高了 性能 边缘计算数据中心相比于云计算数据中心的投资 成本节省 42 24 边缘计算显著降低了人工智能算法 部署的硬件成本 提高了嵌入式开发的可行性 使得一 系列人工智能应用成为了可能 图1 边缘计算架构 Fig 1 Edge computing architecture 边缘计算具有低成本 低能耗 低延时 数据安全 的优势 已广泛应用工业生产 社会生活的智能嵌入式 产品开发 王梓儒 25 分别在消费级 ARM 平台即树莓派 3B 高性能嵌入式 GPU Nvidia Jetson TX2 以及 Android 智能手机上部署了深度目标检测网络 给出了 3 种不同 平台的边缘计算部署方案 张钊 26 通过在 Nvidia Jetson TX2 上部署改进后的 YOLOV4 tiny 算法 设计了基于边 缘计算的视频监控系统 并对煤层气井站视频数据进行 实时监测 平均检测精度达到 92 15 单张图片检测时 长为 0 102 s Ma 等 27 以华为 atlas 200 芯片作为智能处 理芯片 采用参数量化的模型压缩方法部署残差网络与 特征金字塔融合网络 设计了电网结冰智能监测装置计 算模块 单帧检测速度达 170 ms Kim等 28 通过在 Nvidia Jetson NANO 上部署 YOLOV3 tiny 目标检测模型 构建 了基于边缘计算的对象运动与跟踪系统 通过分层次利 用帧差计算 目标检测等轻任务 自适应地释放不必要 的待机对象运动和运动跟踪模型 可以节省高达 78 5 的 GPU 内存占用 综上所述 相较于云计算 边缘计算存在以下优势 1 低延迟 在靠近数据端进行数据处理 避免了向 云数据中心请求响应 可以降低网络延迟 实现更快速 更高效的数据分析和处理 研究表明 与云端相比 基 于边缘计算的分支神经网络模型的推理延迟平均降低 36 29 2 低成本 网络边缘产生的大量数据无需全部上传 云端 减轻了网络带宽的压力 同时降低了数据传输带 来的巨大能耗 施耐德电气公司对边缘计算数据中心的 农业工程学报 http www tcsae org 2022 年 226 成本效益分析中提到 相同算力条件下 边缘数据中心 维护成本相较云数据中心每平方米节省 1 600 美元 节省 成本 42 24 因此在本地设备上的数据管理成本大大低 于云和数据中心网络 3 安全性高 避免数据直接传输云端带来的隐私泄 露风险 重要数据可以直接在边缘计算端进行加密处理 或者保存 边缘计算端更贴近数据采集设备 访问攻击 的难度大幅提升 提高了数据安全性 4 个性化设计 通过将边缘计算和人工智能结合 可以持续分析客户数据及行为 提供实时交互 为智能 设备提供自我修复 自我优化的实时处理 实现即时个 性化 2 边缘计算在农业中应用现状与分析 2 1 边缘计算在农业中应用的背景 农业是社会和国民经济的基础 及时获取可靠的农 业信息 如作物生长和产量 对于制定粮食安全 减贫 和可持续发展的相关政策和计划至关重要 30 随着大数 据 物联网 云计算 人工智能等现代信息技术在农业 上的应用 第三次农业革命 农业智能革命已经到来 31 智慧农业是以信息和知识为核心要素 通过将物联网 大数据 人工智能 云计算等先进信息技术与农业深度 融合 实现农业信息感知 智能控制 精准决策 高效 作业的全新的农业生产管理方式 是农业发展从信息化 到智能化的高级阶段 32 农业物联网通过传感器和软件 通过移动平台或者电脑平台对农业生产进行控制 使得 传统农业具有 智慧 2020 年 7 500 万物联网设备 用于农业领域为智慧农业提供了大量智能感知和控制 终端 33 农业人工智能 通过研究图像识别 智能控制 动植物生长模型和专家系统等智能算法 实现对农业大 数据的智能分析处理 并作出有效决策 使农业生产过 程更加智能化 成本效益更高 34 为实现农业物联网数 据分析和处理 亟需能部署深度学习人工智能算法的高 效 可靠 低成本计算平台 虽然云计算基础架构可以为分布式农业物联网传感 器 人工智能算法提供集中的强大算力基础 但是多个 网络层上传感器异构数据的传输 和集中的数据处理将 带来巨大网络带宽负担 能源消耗 信息安全风险 35 边缘计算通过终端实时处理减少网络负载和信息安全风 险 可以有效弥补云计算的不足 为智慧农业提供了新 的计算架构 36 Alharbi 等 37 在智能农业环境下 采用混 合整数线性规划进行了数学建模 对结合边缘计算的集 成架构模式与传统的实现方法进行了分析和比较 证明 结合边缘计算的新型架构模式降低总能耗 36 碳排放 量 43 可以将网络流量减少 86 从而减少网络拥塞 具有良好的应用前景 此外 边缘计算较云计算而言有 着低延迟 低带宽成本 移动性支持和高可扩展性等优 势 可以为农业应用提供成本低 实时性高 适用性强 的解决方案 38 为智慧农业发展提供新的技术支撑 2 2 边缘计算在农业中应用的文献量分析 本文对 2018 2021 年国内外关于边缘计算在农业应 用的相关文献进行统计分析 结果如图 2 所示 其中国 外文献以 Web of science 为来源 国内文献以 CNKI 为来 源 以边缘计算 农业为关键词进行筛选 边缘计算概 念是 2016 年底提出 2018 年已经有学者开始将边缘计算 应用于农业领域 2018 2019 年为探索阶段仅有少量相 关文献的 随着数据量激增 云计算出现网络延迟 能 耗大 数据安全等一系列问题 大量国内外研究者开始 关注边缘计算在农业中的应用 2020 年相比前一年国内 文献数量提高约 3 倍 2021 年得益于系列边缘计算产业 联盟成员的关注及投入 众多高算力边缘设备持续推出 边缘计算在农业中应用的相关研究持续增长 且首次出 现中文文献发表量超过外文文献 39 综上所述 目前边 缘计算在农业上的应用处于快速发展阶段 可以预测未 来将为越来越多的农业场景提供新的解决方案 图2 边缘计算农业应用国内外文献量 Fig 2 The amount of domestic and foreign literature on the application of edge computing in agriculture 2 3 边缘计算在农业中应用的场景 现阶段 边缘计算的农业应用通常与人工智能算法 结合 旨在实现动植物生长动态监测 环境实时检测 和农业装备作业智能决策 根据现有文献报道 边缘计 算在农业中应用的场景如表 1 所示 主要分为环境监测 与病虫害识别 作物生长及产量预测 农业侦察与路径 规划等方面 此外 表中对不同边缘计算农业应用场景 下 测量目标 采用的边缘计算设备 网络模型 检测 速度与精度指标 进行了归纳总结 1 环境监测与病虫害识别 病虫害识别与环境检测是目前边缘计算最常见农业 应用场景 刘苏伟 40 基于边缘计算与深度学习构建了玉 米叶片病害识别系统 通过采集玉米叶片图像 对叶斑 病 叶枯病 锈病以及健康叶片进行识别 选用 ResNet18 模型测试精确率达 85 4 当终端和边缘设备连接并传输 数据时 最大速度达 5 58 MB s 牛恺锐等 41 基于深度学 习框架构建了一个特征提取网络 并部署在海思 Hi3559A 芯片上 实现小麦 水稻病虫害识别 模型准确率分别 为 92 97 识别速度达 20 0 帧 s 且功耗小于 5 W 该边缘计算嵌入式终端相较于传统服务器具有低成本 低功耗 轻量化等优势 李凤迪 42 构建了基于深度学习 的松材线虫病树检测方法 选用树莓派 4B 作为边缘计算 平台部署训练好的 MobileNetv2 SSDLite 模型并集成在大 疆 M600 无人机上 实现松材线虫病树的在线监测 识别 速度达到 5 帧 s 孙志朋 43 通过在树莓派部署卷积神经网 络对水稻害虫图像进行识别 准确率可达到 89 利用 边缘设备完成了害虫在线识别计数 水稻生长环境监测 第 16 期 黄成龙等 边缘计算在智慧农业中的应用现状与展望 227 减少了云端计算压力 Guill n 等 44 基于深度学习搭建了 农业低温预测边缘计算平台 以 Nvidia Jetson AGX Xavier 为边缘设备部署 LSTM Long Short Term Memory 模型实现温度预测 推理时间为 0 3 s 预测值的平均误 差小于 0 8 设备耗电量小于 0 08 kW h 综上所述 通过边缘设备部署人工智能算法 可以实现高精度 实 时性的环境监测和病虫害识别 为农业人工智能应用提 供了新的技术途径 2 作物生长及产量预测 作物生长及产量预测是边缘计算在农业上的应用领 域之一 通过边缘设备上部署机器学习预测模型 可以 大大减少预测环节所用时间 Park 等 45 将边缘计算技术 融入智能农场中 分析环境和生长数据获取关键参数 以此来预测作物生长及最终产量 通过在树莓派上部署 LSTM 模型对樱桃番茄的产量进行预测 得到预测值均方 误差为 0 045 预测精度较高 Coviello 等 46 通过智能手 机对葡萄产量进行测算 使用设计的计数网络 GBCNet 在两个原始数据集 CR1 和 CR2 上进行测试 检测的平 均百分比误差在 0 85 11 73 手机拍摄和处理单张图 片时间小于 1 s 具有较好的便携性和较高的预测效率 综上所述 与服务器端数据采集 上传 分析及模型预 测的步骤相比 边缘计算设备可以直接实现现场数据采 集与模型预测 且具有较高的预测精度和效率 可为精 准农业发展助力 3 农业侦察与无人机路径规划 农业侦察与无人机路径规划 是农业装备智能作业 的重要内容 与所有数据传输到云不同 通过边缘节点 与无人机等传感器连接提供了近数据端 低延时 低成 本的智能数据处理与决策方案 Yang 等 47 结合边缘计 算提出了一种无人机自适应作物侦察机制 将 EDANet 模型部署在 Nvidia Jetson TX2 上 结合无人机在多个角 度对水稻进行侦察 可以将稻田侦察速度提高 36 准 确率达 99 25 Chen 等 48 结合边缘计算建立了无人机 害虫智能识别系统 在 Nvidia Jetson TX2 上部署基于 YOLOv3 tiny 的无人机果园乳头状锥虫智能识别模型 实现害虫快速准确定位 并规划出最优无人机农药喷洒 路径 与传统路径相比缩短 19 且减少了 87 的水消 耗量 节省了 53 的工作时间 此外还可以将害虫位置 和产生情况传输到云端以便记录和分析作物生长情况 由此可知 通过嵌入式边缘计算设备和无人机结合 可 以部署复杂的人工智能模型 实现高精度农业侦察和最 优路径规划 表 1 边缘计算在农业中的应用场景 Table 1 Application scenario of edge computing in agriculture 应用场景 Scenario 测量目标 Measurement object 边缘设备 Edge device 网络模型 Network model 检测效果 Detection effect 采摘机器人 Picking robot 水果 树莓派 4B DNN 准确率 95 8 识别速度 30 帧 s 49 自主除草机 Autonomous weeder 杂草 树莓派 3B MobileNets DenseNet 错误率 1 识别速度 10 帧 s 50 水下无人机 Underwater UAV 鱼类 树莓派 3B AlexNet 准确率 87 51 无人牧场监控 Unmanned ranch monitoring 猪 Nvidia Jetson nano YOLOV4 tiny 准确率 97 66 检测速度 34 帧 s 52 无人机喷洒 UAV spraying 杂草 Nvidia Jetson nano AlexNet 准确度 80 9 检测速度 4 5 帧 s 53 盆花自动化管理 Automatic management of potted flowers 盆栽 Nvidia Jetson TX2 YOLOV4 tiny 准确率为 89 72 检测速度 16 帧 s 54 作物病害识别 Crop disease identification 害虫 Nvidia Jetson TX2 YOLOV3 tiny 无人机减少 53 工作时间 48 无人机地图绘制 UAV mapping 杂草 NVIDIA Jetson AGX Xavier ResNet 18 准确率 94 检测速度 2 2 帧 s 55 作物识别 Crop identification 葡萄 Mi 9 GoogLeNet 准确率 99 91 56 植物病害识别 Plant disease identification 害虫 HiSilicon Kirin 970 SSD w Inception 准确率 77 14 57 植物病害识别 Plant disease identification 植物叶片 Android CNN 准确率 94 58 葡萄产量估算 Estimation of grape yield 产量信息 Android GBCNet 单品种平均误差 7 46 植物表型检测 Plant phenotype detection 表型性状 Meizu MX4 DeepLabV3 单张检测时间小于 2 5 s 59 植物表型检测 Plant phenotype detection 叶片 Android YOLOv3 tiny 单张推理时间小于 0 01 s 60 植物病害识别 Plant disease identification 珍珠粟疾病 树莓派 3B Custom Net 准确率 98 78 61 智能喷雾器 Intelligent spray 杂草 Nvidia Jetson TX2 CNN 准确率 90 检测速度 22 帧 s 62 植物病害识别 Plant disease identification 玉米叶片 树莓派 3B CNN 准确率 88 46 63 植物病害识别 Plant disease identification 番茄 树莓派 4B MobileNetV3 准确率 99 01 单张检测速度 300 ms 64 杂草检测系统 Weed detection system 杂草 树莓派 4B SVM 准确率 96 检测速度 6 帧 s 65 2 4 基于边缘计算的智能农业装备 根据文献报道目前基于边缘计算的智能农业装备如 图 3 所示 主要分为智能农业无人机 66 智能农业机器 人 67 以及农业智能移动终端 68 边缘设备与无人机结合 常用于执行杂草 虫害检测 路径规划和农药自动喷洒 等任务 与地面农业机器人结合实现农作物实时检测 可完成作物采摘 除草 实时环境监测等任务 结合智 能移动端开发的应用程序为用户提供了更加快捷方便的 农业图像采集和数据处理方案 1 智能农业无人机 作为一种新型的信息获取载体 无人机因其操作灵活 适应性高 广泛应用于各种农业 场景 尤其是在农药喷洒 作物虫害监测 地形勘测等 方面 69 通过在无人机上部署边缘计算核心设备 在空 中作业的过程中 对采集到的图像进行实时处理 自动 进行路径规划 作物病害识别 完成除草 农药喷洒 地图绘制等作业 减少后续数据传输 远程处理等步骤 农业工程学报 http www tcsae org 2022 年 228 提高工作效率 如 Ukaegbu 等 70 基于无人机和树莓派 3B 开展飞行作业过程中杂草检测与除草剂自动喷洒研究 实现 0 5 m 的飞行高度下杂草检测时间小于 1 s 精度大 于 98 Camargo 等 55 在边缘设备 Nvidia Jetson AGX Xavier 上部署 ResNet 18 DCNN Dynamic Convolution Neural Network 动态卷积神经网络 模型实现杂草与作 物智能检测 总体准确率为 94 检测速度达到 2 2 帧 s 实现杂草地图的在线绘制 Partel 等 62 开发了一种智能除 草喷雾器 以 Nvidia Jetson TX2 作为边缘计算端部署 YOLOV3 tiny 模型完成目标杂草识别 平均检测精度达 90 速度达到 22 帧 s 综上所述 结合边缘计算端与无 人机设备可以在飞行过程中执行数据分析任务 减少了数 据交互带来的时间成本 使得自主路径规划作业成为可 能 提高了工作效率 a 智能农业无人机应用系统 66 a Intelligent agricultural UAV application system 66 大田环境 设施环境 Field environment Facility environment b 智能农业机器人 67 b Intelligent agricultural robot 67 c 智能移动终端界面 c Intelligent mobile terminal interface 图3 基于边缘计算的智能农业装备 68 Fig 3 The intelligent agricultural equipment based on edge computing 68 2 智能农业机器人 随着人工智能技术飞速发展 智能农业机器人在内部嵌入边缘计算平台 可以直接在 边缘侧实现对图像信息的分析和决策 可以完成智能播 种 种植 耕作 采摘 收割 分选等一系列工作 71 部署人工智能算法的农业机器人 相较于传统控制作业 方式更加高效智能 可以应用于复杂的农业作业场景 如棉花打顶 智能除草 精准灌溉等 Nilay 等 49 结合 FPGA 设备设计的水果采摘机器人 对采集到的图像信息 进行处理 目标水果识别精度为 95 8 识别速度达 30 帧 s 实现了目标水果的自动采集 Wang 等 54 结合边 缘计算设计育苗机器人 通过在边缘设备 Nvidia Jetson TX2 上部署 YOLOV4 tiny 模型实现了盆花的实时检测与 定位 平均检测准确率 89 72 检测速度达到 16 帧 s 完成了盆栽的自动化管理 Chechli ski 等 50 设计的自主 除草机器人 采用树莓派 3B 作为边缘计算设备以超过 10 帧 s 的检测速度实现了杂草实时检测 因此 将智能 农业机器人与边缘计算技术结合 突破了传统农业机器 人在复杂任务 复杂环境下作业的瓶颈 是智慧农业的 重要发展方向 3 农业智能移动终端 随着智能移动终端的快速发 展 其算力和存储性能不断提高 使得复杂深度学习模 型部署成为了可能 72 基于智能移动终端设计人工智能 应用程序 可实现便携式 高精度的农业信息采集与分 析 如 Liu 等 56 在移动智能手机上部署 GoogLeNet 模型 实现 21 种葡萄分类识别 准确率达 99 91 Buzzy 等 60 将 YOLOV3 tiny 部署在智能手机端 实现了植物叶片的 检测与计数 检测时间小于 0 1 s Ai 等 59 将边缘计算 与深度学习结合 以卷积神经网络为基础构建了 Inception ResNet v2 模型 并部署在手机端 应用于植物 病虫害的识别和检测 总体识别准确率为 86 1 综上所 述 智能移动终端 具有拍照 声音采集等通用传感器 基于通用的 Android 开发平台设计移动端人工智能应 用程序 可以为智慧农业提供便携式 低成本智能检测 方案 2 5 边缘计算在农业中应用的设备核心 随着边缘计算的快速发展 越来越多的计算设备为 边缘 AI Artificial Intelligence 应用程序和嵌入式设备 而设计 农业中常用的边缘计算核心设备如图 4 所示 主要包括树莓派 英伟达小型计算平台 FPGA 和手机 处理器等 该类设备具有体积小 结构紧凑 功耗低 算力高等优势 73 常用的边缘计算设备算力 功耗等性 能参数如表 2 所示 树莓派 3B 自 2016 年发布以来 因 其高便携性 低功耗受到了科研工作者的广泛关注 到 2019 年树莓派 4B 发布 计算能力相较于树莓派 3B 有显 著提升 较高性价比以及较小的体积使其常作为边缘计 算核心设备集成于各类智慧农业平台中 74 此外 Xilinx PYNQ Z2 海思 Hi3559 等 FPGA SOC 芯片的计算能力 相较于树莓派提升了近百倍 可以加载更加复杂的模型 并提高模型推理速度 75 近年来 Nvidia Jetson 推出的一 系列边缘计算设备如 NANO TX2 AGX 等 其算力为 0 5 10 T 不等 可为不同农业应用场景提供最佳性价比 第 16 期 黄成龙等 边缘计算在智慧农业中的应用现状与展望 229 的检测方案 76 a 树莓派 4B a Raspberry Pi 4B b 赛灵思 PYNQ Z2 b Xilinx PYNQ Z2 c 海思 Hi3559A c Hisilicon Hi3559A d 英伟达 Jetson TX2 d Nvidia Jetson TX2 e 英伟达 Jetson NANO e Nvidia Jetson NANO f 英伟达 Jetson AGX Xavier f Nvidia Jetson AGX Xavier 图4 边缘计算核心设备图 Fig 4 Edge computing core equipment diagram 树莓派以较低成本与高便携性受到了许多研究者们 的青睐 Kundu 等 77 提出了 Custom Net 模型用于检测珍 珠粟疾病 并将模型部署在树莓派 3B 上实现了 98 78 的分类准确率 Mishra 等 61 采用树莓派 3B 并结合由专 用 CNN Convolutional Neural Network 硬件块组成的 Intel Movidius 神经计算棒作为边缘设备 部署训练好 的深度 CNN 模型 实现玉米叶片的病害识别 准确率 达 88 46 Tarek 等 63 将 MobileNetV3 部署在树莓派 4B 上 实现番茄疾病的快速准确诊断 检测精度达 98 99 检测效率为每张图 250 350ms Emebo 等 64 构建了一个番茄叶片病害分类模型 部署在手持式设备 的树莓派上 模型平均精度达 99 01 Tufail 等 65 提 出了一种基于纹理 形状和颜色特征组合的支持向量机 分类器 并将该算法部署在树莓派 4B 上进行实时监测 分类准确率达 96 检测效率为 6 帧 s Meng 等 51 开 发了一种水下无人机 配备 360 全景摄像头作为图像 采集端 并在树莓派 3B 上部署深度学习鱼类识别模型 模型准确率达 87 Nvidia Jetson 系列开发板以宽泛 出色的算力在众多 边缘设备中脱颖而出 且厂商提供了丰富的软硬件支持 服务 因此以其作为边缘计算设备的文献报道最多 Seo 等 52 以 Nvidia Jetson NANO 作为边缘计算端 基于 YOLOV4 tiny 设计了复杂场景下生猪识别和定位算法 检测精度达 97 66 检测速度为 34 38 帧 s 实现养猪场 生猪智能监测 Deng 等 53 针对无人机对杂草识别及精准 喷药问题 构建杂草识别轻量级的网络架构 并将其部 署在 Nvidia Jetson TX2 上 实现 4 5 帧 s 的检测速度和 80 9 的检测准确度 表 2 常用边缘计算设备及参数 Table 2 Common edge computing devices and parameters 边缘计算设备 Edge computing device 算力 每秒浮点运算次数 Computing power FLOPS 功耗 Power dissipation W 网址 Website 树莓派 3B 3 62 G 1 8 4 8 树莓派 3B 5 3 G 2 6 9 4 树莓派 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 每秒浮点运算次数 Floating point Operations Per Second FLOPS 1GFLOPS 等于每秒十亿 10 9 次的浮点运算 1TFLOPS 等于每秒一万亿 10 12 次的 浮点运算 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 以及手机处理器也具有极强 的算力 可用于边缘端数据处理 78 He 等 57 提出了一种 基于深度学习的油菜害虫检测方法 在移动智能手机上 部署 SSD w Inception 模型 实现油菜害虫实时诊断 平 均检测精度达 77 14 Ahmed 等 58 基于深度学习开发了 一种植物叶片疾病自动诊断移动式平台 在 Android 移动 端对 14 种作物常见的 38 种疾病进行分类 总体分类准 确率达到 94 Liu 等 79 开发了一款基于 Android 的便携 式植物表型分析应用程序 实现 15 个整株性状 25 个叶 片性状和 5 个茎秆性状的便携式 实时检测 综上所述 面对不同的农业应用场景 用户可以选择合适算力的边 缘计算设备 为农业生产提供具有成本效益的解决方案 2 6 边缘计算在农业中应用的主流深度学习算法 深度学习作为一种智能数据处理方法 广泛应用于 智慧农业研究与生产实践 然而大多数深度学习方法对 计算设备的算力和内存需求较高 80