农业人工智能 边缘计算

提出轻量化植物病害识别网络GANet，在嵌入式设备上实现高精度实时识别。

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。

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。

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。