Facta Universitatis Series Automatic Control and Robotics·10月18日 · 周日论文农业人工智能与决策模型阅读 0
A HIERARCHICAL DISTRIBUTED EDGE AI FRAMEWORK FOR REAL-TIME APPLE LEAF DISEASE CLASSIFICATION
Milan Grujev · Dragan H. Stojanovic · Miloš Ilić 等 4 人
论文解读
76精选
速览
提出两级边缘AI框架，用RGB图像实时分类苹果叶片病害。
方法
分布式边缘计算+轻量模型，先二分类再共识多分类。
发现
两级系统准确率与F1均达95.50%，多分类F1为96.44%。
机会点
仅在受控实验室验证，可延伸至田间复杂光照与多作物泛化及边缘能耗优化。
影响力18
信息增量21
专业深度17
信源权威12
时效性8
该研究提出两级边缘AI框架，在苹果叶片病害识别上取得95%以上F1值，方法新颖、数据可靠，对精准农业实时监测有参考价值，但尚处实验室验证阶段，产业影响有限。
原文摘要
人工智能（AI）在农业中的应用已深刻改变了作物管理方式，尤其是在植物病害检测方面。苹果树作为重要的农业经济作物，易受多种病害侵袭，严重影响作物产量。传统的病害检测方法通常依赖人工检查，耗时且易出错。为此，本研究提出了一种新颖的两阶段边缘AI框架，用于苹果叶片病害分类，该框架将RGB图像与分布式边缘计算相结合。第一阶段执行二分类以区分健康叶片与患病叶片，F1分数达到95.50%。该优化通过在边缘设备上采用轻量级模型实现，从而提升了计算效率。第二阶段采用基于共识的多类分类方法，在识别具体病害方面F1分数达到96.44%。该双阶段系统在边缘AI架构的支持下，实现了实时病害检测，同时最大限度地降低了资源消耗，并增强了在大规模农业环境中的可扩展性。完整系统在专用数据集上达到了95.50%的准确率和F1分数。结果表明，该系统在受控实验室条件下具有有效性，为精准、实时的农业监测提供了一种有前景的解决方案。本研究凸显了分布式边缘AI系统在精准农业中实现可扩展且高效病害检测的潜力。