Quantization Trade-offs in Edge AI: Evaluating Lightweight Neural Architectures for Mobile-Based Healthcare and Agricultural Diagnostics

方法

对MobileNetV2/V3、ShuffleNetV2、YOLOv8n/v11

发现

INT8量化稳定保精度且存储减半，MobileNetV2权衡最优；ShuffleNetV2延迟低但剪

机会点

可探索面向田间噪声与设备异构性的硬件感知自动压缩策略，并构建农业专用轻量模型选型基准。

摘要 边缘人工智能（Edge AI）能够在资源受限的移动与嵌入式平台上直接实现实时、隐私保护的诊断决策，从而消除对云基础设施的依赖。然而，在离网农田和临床即时检验（PoC）医疗环境中部署深度神经网络，需要在预测精度、推理延迟、动态RAM占用和硬件能耗约束之间进行严峻的权衡。本研究对轻量级卷积神经网络（MobileNetV2、MobileNetV3Small、ShuffleNetV2 x0.5）以及适配图像级分类的纳米级目标检测器（YOLOv8n、YOLOv11n）上的模型压缩技术进行了严格的实证评估。采用训练后动态8位整数（INT8）量化和基于幅值的结构化滤波器剪枝，我们系统分析了跨越移动医疗（ISIC 2019 / HAM10000皮肤病变筛查、NIH疟疾血涂片细胞病理学）和精准农业（PlantDoc、芒果、大豆）五个基准数据集的诊断性能。在基于ARM的边缘平台（Raspberry Pi 5）上的基准实验结果表明，动态INT8量化在临床和农业领域均能持续保持基线表征精度，同时将存储占用减少50%以上。MobileNetV2在基线精度与量化鲁棒性之间实现了最优权衡，在复杂PlantDoc田间数据上保持90.00%的INT8后精度，在ISIC 2019皮肤病变筛查上保持92.40%。相反，ShuffleNetV2 x0.5提供超低硬件延迟（7 ms）和最小内存开销（2.4 MB RAM），但在视觉复杂、噪声诊断输入下进行结构化通道剪枝时遭受严重的精度退化（最高下降25.15%）。基于这些实证发现，我们建立了硬件感知的双域架构选择矩阵、标准化的四阶段边缘压缩部署协议，以及面向真实世界Edge AI集成的可操作解决方案。