AI-Enabled Sustainable Precision Farming Using Raspberry Pi and Coral Edge TPU with Cloud Based Model Training

方法

计算机视觉+IoT传感，云端训练量化部署至Edge TPU，图像分类与土壤温湿度

发现

模型准确率94.82%，推理延迟约38ms、吞吐26.3帧/秒，可节水22%。

机会点

可研究多作物跨域模型泛化与边缘端增量学习，并量化节水节肥的长期农艺效益。

摘要：精准农业需要智能、可适应且高效的技术，能够根据植物和环境状况在恰当的时间做出农业决策。本文提出开发一种基于人工智能的可持续精准农业系统，该系统基于计算机视觉、云端模型训练、树莓派（Raspberry Pi）、Coral边缘TPU（Edge TPU）和物联网（IoT）传感技术。所提出的架构包含感知层、边缘处理层、云智能层和应用层，能够实现从田间到实时决策支持的完整数据处理流水线。系统采集作物照片用于人工智能状态分类，并通过内置传感器采集土壤湿度、温度、湿度和光照强度等农业条件数据。经过上述预处理、归一化、图像缩放和增强后，数据集被划分为训练集、验证集和测试集。随后，在云环境中训练的深度学习模型经过量化和转换，针对边缘端进行优化。优化后的模型达到了94.82%的准确率、94.47%的精确率、94.05%的召回率和94.26%的F1分数，表现优异。与仅使用树莓派处理相比，采用Coral边缘TPU部署将推理延迟降低至约38毫秒，将处理吞吐量提升至每秒26.3张图片，并降低了CPU占用率。边缘辅助架构减少了对持续云端连接的需求，增强了本地决策能力。示例性可持续性研究估计，基于状态的监测可节省每日灌溉用水量的22%。研究结果表明，在精准农业系统中引入边缘人工智能和云智能以实现响应迅速、可扩展且资源高效的系统在技术上是可行的。关键词：精准农业；物联网；边缘人工智能；Coral边缘TPU；树莓派；可持续农业。