An entropy-guided dynamic lightweight network for identification of wild edible vegetables of BTR
提出熵引导动态轻量网络,用于识别BTR野生食用蔬菜。
浏览数字农业与前沿技术相关政策、产业动态与研究。
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
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。
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。
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。
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EdgeHatch,在边缘设备上用机器学习检测鸡蛋孵化阶段。