#边缘计算

用低成本遥操作机械臂采集演示，模仿学习实现草莓果柄定点采摘。

开发AI驱动的RGB光频传感器，实现药用植物盐胁迫无损实时监测。

提出两级边缘AI框架，用RGB图像实时分类苹果叶片病害。

提出熵引导动态轻量网络，用于识别BTR野生食用蔬菜。

构建轻量MobileNetV3-Small框架实现玉米叶片病害分类并评估边缘部署。

提出太阳能边缘AI系统DefoliationCAM，实时评估葡萄藤食叶严重度并远程传输。

提出轻量CNN实现马铃薯早疫病与晚疫病三分类，并在埃塞俄比亚田间验证。

提出场景自适应动态路由视觉状态空间模块SADR-VSS，用于复杂田间轻量级农业目标检测。

综述轻量化AI方法，并以农业监测机器人为例，提出相机+轻量YOLO+Jetson+单片机的嵌入式部署

提出仅1.31万参数的轻量作物行分割网络，适配田间机器人边缘部署。

综述基于物联网与边缘AI的精准农业系统，实现实时灌溉优化与节水。

综述医疗物联网的通信技术、安全框架与智能架构，并展望量子安全医疗。

提出边缘AI、物联网与联邦学习集成的智慧农业环境监测架构与评估协议，未开展实地试验。

上海市农业科学院农业科技信息研究所/智慧农业研究中心科研团队在Computers and Electronics in Agriculture（中科院一区，影响因子8.9）发表题为"Research on a Cloud-Edge Collaborative System for Long-Term Behavior Analysis in Intensive Pig Farms Under Multi-Resource Constraints"的研究论文。团队针对边云协同框架下猪只行为分析系统多重资源约束下"持续采集—稳定上传—及时推理"难兼顾的难题，在国际上率先提出适度降低视频分辨率、帧率并采用队列上传的融合策略。评估显示，相对基线方案单位视频源CPU开销降至约1/3、视频数据生成大小降至约1/11.6、平均传输码率降至约1/39.7；云端窗口吞吐量提升约9倍。第一作者郭孝坤。

综述2017-2025年441篇文献，梳理AI与IoT在智慧农业中的数据基础设施与可持续性。

提出基于树莓派与Coral Edge TPU的边缘AI精准农业系统，实现作物状态分类与实时决策。

提出巴特沃斯低通滤波与自编码器混合方法，检测农业物联网传感器时序异常。

设计并评估一款低成本履带式农业机器人，实现传感驱动灌溉与视觉引导靶向喷洒。

系统综述工业环境中计算机视觉在检测、安全、物流与机器人四领域的应用现状与挑战。

提出基于边缘嵌入式控制器的AI智能灌溉系统，实现实时自适应灌溉调度。

比较六种轻量神经网络在三种植物病害数据集上的分类性能，面向边缘设备部署。

开发基于YOLOv8n-BiFPN-WIoU的轻量模型，实现温室番茄自主采摘机器人实时运行。

开发轻量级边缘AI模型，在资源受限移动设备上实时检测高粱病害。

用PhenoCam图像训练轻量深度学习模型，在树莓派上实时分类玉米8个生长阶段。

提出边缘计算与深度学习结合的遥感图像分类方法，用改进3D CNN实现低延迟高精度土地覆盖识别。

综述SDN/NFV赋能的空天地一体化网络智能资源管理，并关联智慧农业与智慧育种。

提出轻量MobileNetV2结合梯度显著性实现边缘端植物病害早期可解释检测。

提出端边云协同的水稻秧苗群体表型识别与诊断方法，用于垂直育秧场景。

提出边缘部署的温室串番茄采摘机器人，融合改进YOLOv8n检测与ROS分布式控制。

提出轻量混合架构SpatioFormer，提升复杂环境下农作物病虫害检测的空间感知能力。

提出基于边缘AI的宠物监测框架，用树莓派和YOLOv9识别兔子行为与环境。

提出EcoSense-AI联邦智能框架，解决WSN-IoT能耗、隐私与通信瓶颈。

提出基于神经细胞自动机的轻量单目深度估计模型，在嵌入式系统上实现实时推理。

提出基于Meshtastic LoRa网状网络与云微服务的低成本农业多传感器监测平台。

提出共享序数-异常描述子场，实现树上库尔勒香梨实时分级。

提出轻量网络AgroVisNet与BD-PlantDX数据集，实现手机端作物病害高精度识别。

提出轻量YOLOv12n改进模型，实现复杂果园中多成熟期蓝莓的实时检测。

系统综述2022-2025年IoT边缘计算数据处理与管理优化技术，涵盖存储、缓存、聚合与完整性四类。

提出轻量卷积网络AgroVisNet及萝卜、马铃薯、葫芦病害诊断基准BD-PlantDX。

提出RAST-Net，用注意力自监督对比深度学习实现SAR图像实时去斑。

在ESP32微控制器上训练并部署轻量CNN多类图像分类模型，实现无云端的嵌入式视觉。

提出EdgeHatch，在边缘设备上用机器学习检测鸡蛋孵化阶段。

提出自适应AI决策支持系统，用轻量网络与特征优化实现精准农业实时图像分析与决策。

提出AgroInsect边缘-云混合AI架构，实现农田害虫精准检测与地统计插值。

提出轻量级火鸡重识别模型，提升密集圈舍中个体追踪精度并降低计算成本。

研究榴莲病害边缘检测系统的数据集泄漏与热关断问题，提出占空比调度方案。

提出轻量级作物病虫害识别网络MOIR-Net，结合多尺度重参数化与能量注意力，实现高效精准识别。

提出结合IoT、机器学习和边缘计算的智能灌溉系统，优化用水并提高作物产量。

arXiv 8-12 上线论文,作者:Daniel Rossi、Guido Borghi、Roberto Vezzani。论文提出 BoltNet,一种结合 Spatial Redistribution Bottleneck 与 Logit PreSampling 的超轻量级全卷积架构,在 Pl@ntNet300K 上达到 0.682 F1-score(341K 参数,1.37 MB),为评估低于 2 MB 模型中的最高 F1,接近大参数量卷积骨干网络。在 Raspberry Pi 5、Jetson Orin Nano、Hailo-8 上的实测 FPS/W 与 CPU/GPU/NP 应用效率最优。[预印本]

Mustafa MS（卡拉比克大学计算机工程系）与Kutucu H（土耳其）在Frontiers in Sustainable Food Systems发表的原创研究"Enhancing Water Management with Intelligent Irrigation Systems Using Edge Computing, Machine Learning and IoT"于2026-07-28接受。针对农业占全球淡水取用量约70%、传统灌溉水耗大、效率低的现实，研究构建将物联网、机器学习与边缘计算融合的智能灌溉系统：物联网传感器和边缘设备实时采集环境数据并估算灌溉需求，机器学习模型与土壤监测单元（SMU）和水管理单元（WMU）协同，在边缘本地部署实现可扩展、实时、高效灌溉管理。研究比较决策树（DT）、随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、随机梯度下降（SGD）和多层感知机（MLP）六种监督学习模型，其中决策树和随机森林分类准确率达93%、R²回归得分0.98，显著优于SVM（准确率58%、R²=0.18），为不同农业场景下水资源高效管理提供可复用方案。原文：Enhancing Water Management with Intelligent Irrigation Systems Using Edge Computing, Machine Learning and IoT