邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望.pdf

第 38 卷 第 16 期 農(nóng) 業(yè) 工 程 學(xué) 報 Vol 38 No 16 224 2022 年 8月 Transactions of the Chinese Society of Agricultural Engineering Aug 2022 邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 黃成龍 1 柯宇曦 1 華向東 1 楊俊雅 1 孫夢雨 1 楊萬能 2 1 華中農(nóng)業(yè)大學(xué)工學(xué)院 武漢 430070 2 華中農(nóng)業(yè)大學(xué)作物遺傳改良國家重點實驗室 武漢 430070 摘 要 互聯(lián)網(wǎng)技術(shù)快速發(fā)展使得數(shù)據(jù)量劇增 云計算的數(shù)據(jù)集中處理模式存在實時性不足 能耗過高以及數(shù)據(jù)安全等 一系列問題 邊緣計算是在靠近數(shù)據(jù)源端執(zhí)行計算的分散處理模式 與云計算相比具有低延遲 低成本 安全性高 個 性化設(shè)計等優(yōu)勢 隨著智慧農(nóng)業(yè)迅速發(fā)展 結(jié)合深度學(xué)習(xí)的農(nóng)業(yè)應(yīng)用屢見不鮮 如作物病害檢測 生長環(huán)境監(jiān)測 作物 自動采摘 無人農(nóng)場管理等 邊緣計算可以為農(nóng)業(yè)多場景 復(fù)雜任務(wù)提供高效 可靠的新型數(shù)據(jù)處理方案 該研究概述 了邊緣計算的發(fā)展 計算架構(gòu)及主要優(yōu)勢 介紹了邊緣計算在農(nóng)業(yè)中的應(yīng)用背景 結(jié)合文獻(xiàn)量分析 歸納了邊緣計算在 農(nóng)業(yè)上的主要應(yīng)用場景及相關(guān)智能農(nóng)業(yè)裝備 調(diào)研了現(xiàn)有常用邊緣計算設(shè)備及性能參數(shù) 總結(jié)了適合邊緣計算的主流深 度學(xué)習(xí)算法及模型壓縮方法 研究表明邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用有效促進(jìn)了農(nóng)業(yè)的數(shù)字化 智能化 未來在多場景 多功能邊緣計算智能農(nóng)業(yè)裝備開發(fā)等領(lǐng)域?qū)⒚媾R重大挑戰(zhàn)和機(jī)遇 關(guān)鍵詞 物聯(lián)網(wǎng) 邊緣計算 云計算 智慧農(nóng)業(yè) 深度學(xué)習(xí) 模型壓縮 模型部署 doi 10 11975 j issn 1002 6819 2022 16 025 中圖分類號 S126 文獻(xiàn)標(biāo)志碼 A 文章編號 1002 6819 2022 16 0224 11 黃成龍 柯宇曦 華向東 等 邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 J 農(nóng)業(yè)工程學(xué)報 2022 38 16 224 234 doi 10 11975 j issn 1002 6819 2022 16 025 http www tcsae org Huang Chenglong Ke Yuxi Hua Xiangdong et al Application status and prospect of edge computing in smart agriculture J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2022 38 16 224 234 in Chinese with English abstract doi 10 11975 j issn 1002 6819 2022 16 025 http www tcsae org 0 引 言 近年來 隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展 遠(yuǎn)程高性能 服務(wù)器集中解決計算與存儲問題的云計算模式推動著萬 物互聯(lián)和人工智能的飛速發(fā)展與廣泛應(yīng)用 極大改善了 社會生活和工業(yè)生產(chǎn)方式 1 在物聯(lián)網(wǎng)與云技術(shù)的蓬勃發(fā) 展下 一系列農(nóng)業(yè)場景與云計算結(jié)合 實現(xiàn)數(shù)字化 自 動化 有力推動了智慧農(nóng)業(yè)的發(fā)展 2 思科全球云指數(shù)報 告指出 2016 年全球云數(shù)據(jù)中心數(shù)據(jù)量為 6 0 ZB 1 ZB 等于 10 億 TB 到 2021 年 這一數(shù)字暴漲 3 倍 達(dá)到 了 19 5 ZB 云數(shù)據(jù)中心流量占總數(shù)據(jù)流量的 95 3 在 數(shù)據(jù)量急劇上升的萬物互聯(lián)時代 云計算的集中處理存 在以下不足 1 實時性不足 隨著物聯(lián)網(wǎng)飛速發(fā)展 眾 多終端設(shè)備產(chǎn)生的數(shù)據(jù)量劇增 使得網(wǎng)絡(luò)帶寬面臨巨大負(fù) 擔(dān) 導(dǎo)致數(shù)據(jù)傳輸延遲時間大大增加 難以滿足人們?nèi)粘?工作生活需求 4 2 能耗過高 云服務(wù)器數(shù)據(jù)激增 能耗 大大增加 僅以中國數(shù)據(jù)中心來看 每年用電量以超過 10 的速度增長 至 2021年年耗電已超過 1 000億 kW h 5 3 數(shù)據(jù)安全問題 大數(shù)據(jù)時代下社會生活 工業(yè)生產(chǎn)等 隱私數(shù)據(jù)直接上傳云數(shù)據(jù)中心會帶來一系列安全隱患 受隱私協(xié)議霸王條款 廠商技術(shù)漏洞和黑客攻擊等問題 影響 隨時存在數(shù)據(jù)泄露與丟失的風(fēng)險 6 收稿日期 2022 05 12 修訂日期 2022 08 11 基金項目 國家自然科學(xué)基金項目 32270431 U21A20205 中央高?；?本科研業(yè)務(wù)費項目 2662022YJ018 作者簡介 黃成龍 博士 副教授 研究方向為農(nóng)業(yè)技術(shù)與裝備 植物表型 Email hcl 為解決云計算實時性不足 能耗過高 及數(shù)據(jù)安全 問題 邊緣計算采用在靠近數(shù)據(jù)源端執(zhí)行計算的分散處 理模式 以此來降低云計算數(shù)據(jù)中心的計算負(fù)載 從而 實現(xiàn)降低能耗以及減少網(wǎng)絡(luò)帶寬的壓力 7 2016 年 11 月 30 日 邊緣計算產(chǎn)業(yè)聯(lián)盟在北京成立 由華為 英特爾 公司 中國信息通信研究院 軟通動力等單位組成 在 邊緣計算產(chǎn)業(yè)峰會上 正式發(fā)布 邊緣計算參考架構(gòu) 2 0 8 其中邊緣計算定義為 在靠近數(shù)據(jù)源的一側(cè) 采用網(wǎng)絡(luò) 計算 存儲的分布式平臺 就近提供邊緣智 能服務(wù) 邊緣計算可以為不同行業(yè)提供經(jīng)濟(jì) 可行 創(chuàng) 新的解決方案 1 智慧水務(wù) 基于邊緣計算的智慧供水 系統(tǒng) 實現(xiàn)故障自診斷 可預(yù)測性維護(hù) 據(jù)華為云智能 邊緣平臺報告指出結(jié)合邊緣計算的智慧水務(wù)系統(tǒng)故障時 間和維護(hù)人力減少 60 2 智慧照明 基于邊緣計算的 智慧照明系統(tǒng) 實現(xiàn)路燈的遠(yuǎn)程 實時 自適應(yīng)控制 與傳統(tǒng)照明系統(tǒng)相比能耗降低 80 運維成本降低 90 3 智能樓宇 基于邊緣計算的智慧樓宇 實現(xiàn)樓宇多系 統(tǒng)協(xié)同控制和智能化運營 比較供暖 通風(fēng)和空調(diào)系統(tǒng) 耗能 相比傳統(tǒng)運行方式節(jié)省了 36 75 以上的能源 8 9 綜上所述 邊緣計算滿足行業(yè)在敏捷聯(lián)接 實時業(yè)務(wù) 智能決策 數(shù)據(jù)安全等方面的關(guān)鍵需求 是行業(yè)數(shù)字化 升級不可或缺的要素 隨著中國老齡化加劇 城市化發(fā)展和氣候變化 傳 統(tǒng)農(nóng)業(yè)發(fā)展面臨巨大挑戰(zhàn) 智慧農(nóng)業(yè)作為農(nóng)業(yè)生產(chǎn)的高 級階段 10 通過人工智能 物聯(lián)網(wǎng) 云計算等現(xiàn)代信息 技術(shù)與傳統(tǒng)農(nóng)業(yè)相結(jié)合 實現(xiàn)農(nóng)業(yè)無人化 自動化 智 第 16 期 黃成龍等 邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 225 能化生產(chǎn)和管理 隨著智慧農(nóng)業(yè)的快速發(fā)展 越來越多 智能農(nóng)業(yè)終端被應(yīng)用 通過實時現(xiàn)場數(shù)據(jù)收集 數(shù)據(jù)分 析和執(zhí)行機(jī)構(gòu)控制 提高農(nóng)業(yè)生產(chǎn)的質(zhì)量和數(shù)量 11 環(huán) 境傳感器 可以獲取環(huán)境濕度 溫度 光照 二氧化碳 含量 及土壤水分 pH 值 實現(xiàn)動植物生長環(huán)境信息的動 態(tài)監(jiān)測 12 動植物生長監(jiān)測傳感器 可以獲取動植物的 光譜 圖像 聲音 電磁等信息 實現(xiàn)動態(tài)生長 病害 產(chǎn)量等關(guān)鍵性狀的動態(tài)解析 13 智能裝備傳感器 可以 獲取如拖拉機(jī) 收獲機(jī) 農(nóng)業(yè)機(jī)器人 無人機(jī) 和末端 執(zhí)行器的作業(yè)狀態(tài)信息 實現(xiàn)農(nóng)業(yè)裝備的智能監(jiān)測和控 制 14 基于各種傳感器收集的多維度農(nóng)業(yè)信息 構(gòu)建大 數(shù)據(jù)分析模型 可以為動物養(yǎng)殖 植物生產(chǎn)裝備作業(yè)提供 智能管理決策 如智能灌溉 變量施肥 精準(zhǔn)飼養(yǎng) 疾病 診斷等 從而降低農(nóng)業(yè)生產(chǎn) 運營成本 15 智慧農(nóng)業(yè)按照 感知 決策 執(zhí)行 內(nèi)在邏輯 可以分為農(nóng)業(yè)智能感知 數(shù)據(jù)分析與決策 智能裝備執(zhí)行 3 個重要部分 其中數(shù) 據(jù)分析與決策離不開云計算 邊緣計算平臺的支撐 邊緣計算作為一種新型計算模式 將其應(yīng)用在智慧 農(nóng)業(yè)上 實現(xiàn)在數(shù)據(jù)采集邊緣端完成數(shù)據(jù)處理和決策 可以有效克服云計算存在的瓶頸 顯著提高數(shù)據(jù)安全性 處理實時性 同時降低能耗 成本 本文介紹了邊緣計 算的架構(gòu) 優(yōu)勢 綜述了智慧農(nóng)業(yè)發(fā)展現(xiàn)狀 以及邊緣 計算在農(nóng)業(yè)應(yīng)用上的文獻(xiàn)發(fā)表情況 分析了邊緣計算常 用的核心設(shè)備 以及主流的邊緣計算人工智能算法 討 論了邊緣計算主要智能農(nóng)業(yè)裝備以及農(nóng)業(yè)應(yīng)用場景 總 結(jié)了現(xiàn)階段邊緣計算在智慧農(nóng)業(yè)應(yīng)用上存在的問題 并 對未來發(fā)展進(jìn)行了展望 1 邊緣計算概述 1 1 邊緣計算的架構(gòu) 邊緣計算的架構(gòu)如圖 1 所示 其在終端與云端之間引 入邊緣計算端 代替云端處理部分?jǐn)?shù)據(jù) 16 終端為用戶數(shù) 據(jù)采集端 通過智能手機(jī) 工業(yè)相機(jī)等設(shè)備收集原始數(shù)據(jù) 上傳至云端或邊緣計算端進(jìn)行計算與存儲 云端由多個高 性能服務(wù)器與存儲設(shè)備構(gòu)成 可以從終端獲取訓(xùn)練數(shù)據(jù)完 成復(fù)雜模型的訓(xùn)練和優(yōu)化 并將訓(xùn)練好的模型部署在邊緣 計算端 實現(xiàn)對邊緣設(shè)備的有效調(diào)度以及針對特定任務(wù)的 數(shù)據(jù)處理 17 邊緣計算端 可以快速響應(yīng)終端請求并將處 理結(jié)果反饋至終端 為用戶提供更好的實時服務(wù) 1 2 邊緣計算的優(yōu)勢 在網(wǎng)絡(luò)邊緣處理數(shù)據(jù)可以降低網(wǎng)絡(luò)負(fù)載和通信延 遲 降低移動節(jié)點的能源消耗 解決實時響應(yīng)和帶寬限 制等問題 作為人工智能的重要分支 深度學(xué)習(xí)憑借大 量神經(jīng)網(wǎng)絡(luò)層數(shù)可以解決眾多復(fù)雜問題 然而其巨大計 算量導(dǎo)致硬件算力需求較高 而傳統(tǒng)的深度學(xué)習(xí)服務(wù)器 存在體積大 移動性差 成本高的不足 很難進(jìn)行大規(guī) 模應(yīng)用 18 邊緣計算設(shè)備包括現(xiàn)場可編程邏輯門陣 列 19 Field Programmable Gate Array FPGA 數(shù)字 信號處理器 20 Digital Signal Processor DSP 片上 系統(tǒng) 21 System on a Chip SOC 樹莓派 22 Raspberry Pi Nvidia Jetson 23 和智能移動終端等 均具有較強(qiáng) 的本地運算能力 可以部署深度學(xué)習(xí)人工智能模型 實 現(xiàn)采集數(shù)據(jù)的快速準(zhǔn)確解析 施耐德電氣公司對邊緣計 算部署的成本效益做出了分析 將邊緣計算處理器與存 儲設(shè)備整合在 1 個機(jī)柜中 其工作處理能力相當(dāng)于 13 個機(jī)柜的云服務(wù)器的處理能力 尺寸縮減的同時提高了 性能 邊緣計算數(shù)據(jù)中心相比于云計算數(shù)據(jù)中心的投資 成本節(jié)省 42 24 邊緣計算顯著降低了人工智能算法 部署的硬件成本 提高了嵌入式開發(fā)的可行性 使得一 系列人工智能應(yīng)用成為了可能 圖1 邊緣計算架構(gòu) Fig 1 Edge computing architecture 邊緣計算具有低成本 低能耗 低延時 數(shù)據(jù)安全 的優(yōu)勢 已廣泛應(yīng)用工業(yè)生產(chǎn) 社會生活的智能嵌入式 產(chǎn)品開發(fā) 王梓儒 25 分別在消費級 ARM 平臺即樹莓派 3B 高性能嵌入式 GPU Nvidia Jetson TX2 以及 Android 智能手機(jī)上部署了深度目標(biāo)檢測網(wǎng)絡(luò) 給出了 3 種不同 平臺的邊緣計算部署方案 張釗 26 通過在 Nvidia Jetson TX2 上部署改進(jìn)后的 YOLOV4 tiny 算法 設(shè)計了基于邊 緣計算的視頻監(jiān)控系統(tǒng) 并對煤層氣井站視頻數(shù)據(jù)進(jìn)行 實時監(jiān)測 平均檢測精度達(dá)到 92 15 單張圖片檢測時 長為 0 102 s Ma 等 27 以華為 atlas 200 芯片作為智能處 理芯片 采用參數(shù)量化的模型壓縮方法部署殘差網(wǎng)絡(luò)與 特征金字塔融合網(wǎng)絡(luò) 設(shè)計了電網(wǎng)結(jié)冰智能監(jiān)測裝置計 算模塊 單幀檢測速度達(dá) 170 ms Kim等 28 通過在 Nvidia Jetson NANO 上部署 YOLOV3 tiny 目標(biāo)檢測模型 構(gòu)建 了基于邊緣計算的對象運動與跟蹤系統(tǒng) 通過分層次利 用幀差計算 目標(biāo)檢測等輕任務(wù) 自適應(yīng)地釋放不必要 的待機(jī)對象運動和運動跟蹤模型 可以節(jié)省高達(dá) 78 5 的 GPU 內(nèi)存占用 綜上所述 相較于云計算 邊緣計算存在以下優(yōu)勢 1 低延遲 在靠近數(shù)據(jù)端進(jìn)行數(shù)據(jù)處理 避免了向 云數(shù)據(jù)中心請求響應(yīng) 可以降低網(wǎng)絡(luò)延遲 實現(xiàn)更快速 更高效的數(shù)據(jù)分析和處理 研究表明 與云端相比 基 于邊緣計算的分支神經(jīng)網(wǎng)絡(luò)模型的推理延遲平均降低 36 29 2 低成本 網(wǎng)絡(luò)邊緣產(chǎn)生的大量數(shù)據(jù)無需全部上傳 云端 減輕了網(wǎng)絡(luò)帶寬的壓力 同時降低了數(shù)據(jù)傳輸帶 來的巨大能耗 施耐德電氣公司對邊緣計算數(shù)據(jù)中心的 農(nóng)業(yè)工程學(xué)報 http www tcsae org 2022 年 226 成本效益分析中提到 相同算力條件下 邊緣數(shù)據(jù)中心 維護(hù)成本相較云數(shù)據(jù)中心每平方米節(jié)省 1 600 美元 節(jié)省 成本 42 24 因此在本地設(shè)備上的數(shù)據(jù)管理成本大大低 于云和數(shù)據(jù)中心網(wǎng)絡(luò) 3 安全性高 避免數(shù)據(jù)直接傳輸云端帶來的隱私泄 露風(fēng)險 重要數(shù)據(jù)可以直接在邊緣計算端進(jìn)行加密處理 或者保存 邊緣計算端更貼近數(shù)據(jù)采集設(shè)備 訪問攻擊 的難度大幅提升 提高了數(shù)據(jù)安全性 4 個性化設(shè)計 通過將邊緣計算和人工智能結(jié)合 可以持續(xù)分析客戶數(shù)據(jù)及行為 提供實時交互 為智能 設(shè)備提供自我修復(fù) 自我優(yōu)化的實時處理 實現(xiàn)即時個 性化 2 邊緣計算在農(nóng)業(yè)中應(yīng)用現(xiàn)狀與分析 2 1 邊緣計算在農(nóng)業(yè)中應(yīng)用的背景 農(nóng)業(yè)是社會和國民經(jīng)濟(jì)的基礎(chǔ) 及時獲取可靠的農(nóng) 業(yè)信息 如作物生長和產(chǎn)量 對于制定糧食安全 減貧 和可持續(xù)發(fā)展的相關(guān)政策和計劃至關(guān)重要 30 隨著大數(shù) 據(jù) 物聯(lián)網(wǎng) 云計算 人工智能等現(xiàn)代信息技術(shù)在農(nóng)業(yè) 上的應(yīng)用 第三次農(nóng)業(yè)革命 農(nóng)業(yè)智能革命已經(jīng)到來 31 智慧農(nóng)業(yè)是以信息和知識為核心要素 通過將物聯(lián)網(wǎng) 大數(shù)據(jù) 人工智能 云計算等先進(jìn)信息技術(shù)與農(nóng)業(yè)深度 融合 實現(xiàn)農(nóng)業(yè)信息感知 智能控制 精準(zhǔn)決策 高效 作業(yè)的全新的農(nóng)業(yè)生產(chǎn)管理方式 是農(nóng)業(yè)發(fā)展從信息化 到智能化的高級階段 32 農(nóng)業(yè)物聯(lián)網(wǎng)通過傳感器和軟件 通過移動平臺或者電腦平臺對農(nóng)業(yè)生產(chǎn)進(jìn)行控制 使得 傳統(tǒng)農(nóng)業(yè)具有 智慧 2020 年 7 500 萬物聯(lián)網(wǎng)設(shè)備 用于農(nóng)業(yè)領(lǐng)域為智慧農(nóng)業(yè)提供了大量智能感知和控制 終端 33 農(nóng)業(yè)人工智能 通過研究圖像識別 智能控制 動植物生長模型和專家系統(tǒng)等智能算法 實現(xiàn)對農(nóng)業(yè)大 數(shù)據(jù)的智能分析處理 并作出有效決策 使農(nóng)業(yè)生產(chǎn)過 程更加智能化 成本效益更高 34 為實現(xiàn)農(nóng)業(yè)物聯(lián)網(wǎng)數(shù) 據(jù)分析和處理 亟需能部署深度學(xué)習(xí)人工智能算法的高 效 可靠 低成本計算平臺 雖然云計算基礎(chǔ)架構(gòu)可以為分布式農(nóng)業(yè)物聯(lián)網(wǎng)傳感 器 人工智能算法提供集中的強(qiáng)大算力基礎(chǔ) 但是多個 網(wǎng)絡(luò)層上傳感器異構(gòu)數(shù)據(jù)的傳輸 和集中的數(shù)據(jù)處理將 帶來巨大網(wǎng)絡(luò)帶寬負(fù)擔(dān) 能源消耗 信息安全風(fēng)險 35 邊緣計算通過終端實時處理減少網(wǎng)絡(luò)負(fù)載和信息安全風(fēng) 險 可以有效彌補(bǔ)云計算的不足 為智慧農(nóng)業(yè)提供了新 的計算架構(gòu) 36 Alharbi 等 37 在智能農(nóng)業(yè)環(huán)境下 采用混 合整數(shù)線性規(guī)劃進(jìn)行了數(shù)學(xué)建模 對結(jié)合邊緣計算的集 成架構(gòu)模式與傳統(tǒng)的實現(xiàn)方法進(jìn)行了分析和比較 證明 結(jié)合邊緣計算的新型架構(gòu)模式降低總能耗 36 碳排放 量 43 可以將網(wǎng)絡(luò)流量減少 86 從而減少網(wǎng)絡(luò)擁塞 具有良好的應(yīng)用前景 此外 邊緣計算較云計算而言有 著低延遲 低帶寬成本 移動性支持和高可擴(kuò)展性等優(yōu) 勢 可以為農(nóng)業(yè)應(yīng)用提供成本低 實時性高 適用性強(qiáng) 的解決方案 38 為智慧農(nóng)業(yè)發(fā)展提供新的技術(shù)支撐 2 2 邊緣計算在農(nóng)業(yè)中應(yīng)用的文獻(xiàn)量分析 本文對 2018 2021 年國內(nèi)外關(guān)于邊緣計算在農(nóng)業(yè)應(yīng) 用的相關(guān)文獻(xiàn)進(jìn)行統(tǒng)計分析 結(jié)果如圖 2 所示 其中國 外文獻(xiàn)以 Web of science 為來源 國內(nèi)文獻(xiàn)以 CNKI 為來 源 以邊緣計算 農(nóng)業(yè)為關(guān)鍵詞進(jìn)行篩選 邊緣計算概 念是 2016 年底提出 2018 年已經(jīng)有學(xué)者開始將邊緣計算 應(yīng)用于農(nóng)業(yè)領(lǐng)域 2018 2019 年為探索階段僅有少量相 關(guān)文獻(xiàn)的 隨著數(shù)據(jù)量激增 云計算出現(xiàn)網(wǎng)絡(luò)延遲 能 耗大 數(shù)據(jù)安全等一系列問題 大量國內(nèi)外研究者開始 關(guān)注邊緣計算在農(nóng)業(yè)中的應(yīng)用 2020 年相比前一年國內(nèi) 文獻(xiàn)數(shù)量提高約 3 倍 2021 年得益于系列邊緣計算產(chǎn)業(yè) 聯(lián)盟成員的關(guān)注及投入 眾多高算力邊緣設(shè)備持續(xù)推出 邊緣計算在農(nóng)業(yè)中應(yīng)用的相關(guān)研究持續(xù)增長 且首次出 現(xiàn)中文文獻(xiàn)發(fā)表量超過外文文獻(xiàn) 39 綜上所述 目前邊 緣計算在農(nóng)業(yè)上的應(yīng)用處于快速發(fā)展階段 可以預(yù)測未 來將為越來越多的農(nóng)業(yè)場景提供新的解決方案 圖2 邊緣計算農(nóng)業(yè)應(yīng)用國內(nèi)外文獻(xiàn)量 Fig 2 The amount of domestic and foreign literature on the application of edge computing in agriculture 2 3 邊緣計算在農(nóng)業(yè)中應(yīng)用的場景 現(xiàn)階段 邊緣計算的農(nóng)業(yè)應(yīng)用通常與人工智能算法 結(jié)合 旨在實現(xiàn)動植物生長動態(tài)監(jiān)測 環(huán)境實時檢測 和農(nóng)業(yè)裝備作業(yè)智能決策 根據(jù)現(xiàn)有文獻(xiàn)報道 邊緣計 算在農(nóng)業(yè)中應(yīng)用的場景如表 1 所示 主要分為環(huán)境監(jiān)測 與病蟲害識別 作物生長及產(chǎn)量預(yù)測 農(nóng)業(yè)偵察與路徑 規(guī)劃等方面 此外 表中對不同邊緣計算農(nóng)業(yè)應(yīng)用場景 下 測量目標(biāo) 采用的邊緣計算設(shè)備 網(wǎng)絡(luò)模型 檢測 速度與精度指標(biāo) 進(jìn)行了歸納總結(jié) 1 環(huán)境監(jiān)測與病蟲害識別 病蟲害識別與環(huán)境檢測是目前邊緣計算最常見農(nóng)業(yè) 應(yīng)用場景 劉蘇偉 40 基于邊緣計算與深度學(xué)習(xí)構(gòu)建了玉 米葉片病害識別系統(tǒng) 通過采集玉米葉片圖像 對葉斑 病 葉枯病 銹病以及健康葉片進(jìn)行識別 選用 ResNet18 模型測試精確率達(dá) 85 4 當(dāng)終端和邊緣設(shè)備連接并傳輸 數(shù)據(jù)時 最大速度達(dá) 5 58 MB s 牛愷銳等 41 基于深度學(xué) 習(xí)框架構(gòu)建了一個特征提取網(wǎng)絡(luò) 并部署在海思 Hi3559A 芯片上 實現(xiàn)小麥 水稻病蟲害識別 模型準(zhǔn)確率分別 為 92 97 識別速度達(dá) 20 0 幀 s 且功耗小于 5 W 該邊緣計算嵌入式終端相較于傳統(tǒng)服務(wù)器具有低成本 低功耗 輕量化等優(yōu)勢 李鳳迪 42 構(gòu)建了基于深度學(xué)習(xí) 的松材線蟲病樹檢測方法 選用樹莓派 4B 作為邊緣計算 平臺部署訓(xùn)練好的 MobileNetv2 SSDLite 模型并集成在大 疆 M600 無人機(jī)上 實現(xiàn)松材線蟲病樹的在線監(jiān)測 識別 速度達(dá)到 5 幀 s 孫志朋 43 通過在樹莓派部署卷積神經(jīng)網(wǎng) 絡(luò)對水稻害蟲圖像進(jìn)行識別 準(zhǔn)確率可達(dá)到 89 利用 邊緣設(shè)備完成了害蟲在線識別計數(shù) 水稻生長環(huán)境監(jiān)測 第 16 期 黃成龍等 邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 227 減少了云端計算壓力 Guill n 等 44 基于深度學(xué)習(xí)搭建了 農(nóng)業(yè)低溫預(yù)測邊緣計算平臺 以 Nvidia Jetson AGX Xavier 為邊緣設(shè)備部署 LSTM Long Short Term Memory 模型實現(xiàn)溫度預(yù)測 推理時間為 0 3 s 預(yù)測值的平均誤 差小于 0 8 設(shè)備耗電量小于 0 08 kW h 綜上所述 通過邊緣設(shè)備部署人工智能算法 可以實現(xiàn)高精度 實 時性的環(huán)境監(jiān)測和病蟲害識別 為農(nóng)業(yè)人工智能應(yīng)用提 供了新的技術(shù)途徑 2 作物生長及產(chǎn)量預(yù)測 作物生長及產(chǎn)量預(yù)測是邊緣計算在農(nóng)業(yè)上的應(yīng)用領(lǐng) 域之一 通過邊緣設(shè)備上部署機(jī)器學(xué)習(xí)預(yù)測模型 可以 大大減少預(yù)測環(huán)節(jié)所用時間 Park 等 45 將邊緣計算技術(shù) 融入智能農(nóng)場中 分析環(huán)境和生長數(shù)據(jù)獲取關(guān)鍵參數(shù) 以此來預(yù)測作物生長及最終產(chǎn)量 通過在樹莓派上部署 LSTM 模型對櫻桃番茄的產(chǎn)量進(jìn)行預(yù)測 得到預(yù)測值均方 誤差為 0 045 預(yù)測精度較高 Coviello 等 46 通過智能手 機(jī)對葡萄產(chǎn)量進(jìn)行測算 使用設(shè)計的計數(shù)網(wǎng)絡(luò) GBCNet 在兩個原始數(shù)據(jù)集 CR1 和 CR2 上進(jìn)行測試 檢測的平 均百分比誤差在 0 85 11 73 手機(jī)拍攝和處理單張圖 片時間小于 1 s 具有較好的便攜性和較高的預(yù)測效率 綜上所述 與服務(wù)器端數(shù)據(jù)采集 上傳 分析及模型預(yù) 測的步驟相比 邊緣計算設(shè)備可以直接實現(xiàn)現(xiàn)場數(shù)據(jù)采 集與模型預(yù)測 且具有較高的預(yù)測精度和效率 可為精 準(zhǔn)農(nóng)業(yè)發(fā)展助力 3 農(nóng)業(yè)偵察與無人機(jī)路徑規(guī)劃 農(nóng)業(yè)偵察與無人機(jī)路徑規(guī)劃 是農(nóng)業(yè)裝備智能作業(yè) 的重要內(nèi)容 與所有數(shù)據(jù)傳輸?shù)皆撇煌?通過邊緣節(jié)點 與無人機(jī)等傳感器連接提供了近數(shù)據(jù)端 低延時 低成 本的智能數(shù)據(jù)處理與決策方案 Yang 等 47 結(jié)合邊緣計 算提出了一種無人機(jī)自適應(yīng)作物偵察機(jī)制 將 EDANet 模型部署在 Nvidia Jetson TX2 上 結(jié)合無人機(jī)在多個角 度對水稻進(jìn)行偵察 可以將稻田偵察速度提高 36 準(zhǔn) 確率達(dá) 99 25 Chen 等 48 結(jié)合邊緣計算建立了無人機(jī) 害蟲智能識別系統(tǒng) 在 Nvidia Jetson TX2 上部署基于 YOLOv3 tiny 的無人機(jī)果園乳頭狀錐蟲智能識別模型 實現(xiàn)害蟲快速準(zhǔn)確定位 并規(guī)劃出最優(yōu)無人機(jī)農(nóng)藥噴灑 路徑 與傳統(tǒng)路徑相比縮短 19 且減少了 87 的水消 耗量 節(jié)省了 53 的工作時間 此外還可以將害蟲位置 和產(chǎn)生情況傳輸?shù)皆贫艘员阌涗浐头治鲎魑锷L情況 由此可知 通過嵌入式邊緣計算設(shè)備和無人機(jī)結(jié)合 可 以部署復(fù)雜的人工智能模型 實現(xiàn)高精度農(nóng)業(yè)偵察和最 優(yōu)路徑規(guī)劃 表 1 邊緣計算在農(nóng)業(yè)中的應(yīng)用場景 Table 1 Application scenario of edge computing in agriculture 應(yīng)用場景 Scenario 測量目標(biāo) Measurement object 邊緣設(shè)備 Edge device 網(wǎng)絡(luò)模型 Network model 檢測效果 Detection effect 采摘機(jī)器人 Picking robot 水果 樹莓派 4B DNN 準(zhǔn)確率 95 8 識別速度 30 幀 s 49 自主除草機(jī) Autonomous weeder 雜草 樹莓派 3B MobileNets DenseNet 錯誤率 1 識別速度 10 幀 s 50 水下無人機(jī) Underwater UAV 魚類 樹莓派 3B AlexNet 準(zhǔn)確率 87 51 無人牧場監(jiān)控 Unmanned ranch monitoring 豬 Nvidia Jetson nano YOLOV4 tiny 準(zhǔn)確率 97 66 檢測速度 34 幀 s 52 無人機(jī)噴灑 UAV spraying 雜草 Nvidia Jetson nano AlexNet 準(zhǔn)確度 80 9 檢測速度 4 5 幀 s 53 盆花自動化管理 Automatic management of potted flowers 盆栽 Nvidia Jetson TX2 YOLOV4 tiny 準(zhǔn)確率為 89 72 檢測速度 16 幀 s 54 作物病害識別 Crop disease identification 害蟲 Nvidia Jetson TX2 YOLOV3 tiny 無人機(jī)減少 53 工作時間 48 無人機(jī)地圖繪制 UAV mapping 雜草 NVIDIA Jetson AGX Xavier ResNet 18 準(zhǔn)確率 94 檢測速度 2 2 幀 s 55 作物識別 Crop identification 葡萄 Mi 9 GoogLeNet 準(zhǔn)確率 99 91 56 植物病害識別 Plant disease identification 害蟲 HiSilicon Kirin 970 SSD w Inception 準(zhǔn)確率 77 14 57 植物病害識別 Plant disease identification 植物葉片 Android CNN 準(zhǔn)確率 94 58 葡萄產(chǎn)量估算 Estimation of grape yield 產(chǎn)量信息 Android GBCNet 單品種平均誤差 7 46 植物表型檢測 Plant phenotype detection 表型性狀 Meizu MX4 DeepLabV3 單張檢測時間小于 2 5 s 59 植物表型檢測 Plant phenotype detection 葉片 Android YOLOv3 tiny 單張推理時間小于 0 01 s 60 植物病害識別 Plant disease identification 珍珠粟疾病 樹莓派 3B Custom Net 準(zhǔn)確率 98 78 61 智能噴霧器 Intelligent spray 雜草 Nvidia Jetson TX2 CNN 準(zhǔn)確率 90 檢測速度 22 幀 s 62 植物病害識別 Plant disease identification 玉米葉片 樹莓派 3B CNN 準(zhǔn)確率 88 46 63 植物病害識別 Plant disease identification 番茄 樹莓派 4B MobileNetV3 準(zhǔn)確率 99 01 單張檢測速度 300 ms 64 雜草檢測系統(tǒng) Weed detection system 雜草 樹莓派 4B SVM 準(zhǔn)確率 96 檢測速度 6 幀 s 65 2 4 基于邊緣計算的智能農(nóng)業(yè)裝備 根據(jù)文獻(xiàn)報道目前基于邊緣計算的智能農(nóng)業(yè)裝備如 圖 3 所示 主要分為智能農(nóng)業(yè)無人機(jī) 66 智能農(nóng)業(yè)機(jī)器 人 67 以及農(nóng)業(yè)智能移動終端 68 邊緣設(shè)備與無人機(jī)結(jié)合 常用于執(zhí)行雜草 蟲害檢測 路徑規(guī)劃和農(nóng)藥自動噴灑 等任務(wù) 與地面農(nóng)業(yè)機(jī)器人結(jié)合實現(xiàn)農(nóng)作物實時檢測 可完成作物采摘 除草 實時環(huán)境監(jiān)測等任務(wù) 結(jié)合智 能移動端開發(fā)的應(yīng)用程序為用戶提供了更加快捷方便的 農(nóng)業(yè)圖像采集和數(shù)據(jù)處理方案 1 智能農(nóng)業(yè)無人機(jī) 作為一種新型的信息獲取載體 無人機(jī)因其操作靈活 適應(yīng)性高 廣泛應(yīng)用于各種農(nóng)業(yè) 場景 尤其是在農(nóng)藥噴灑 作物蟲害監(jiān)測 地形勘測等 方面 69 通過在無人機(jī)上部署邊緣計算核心設(shè)備 在空 中作業(yè)的過程中 對采集到的圖像進(jìn)行實時處理 自動 進(jìn)行路徑規(guī)劃 作物病害識別 完成除草 農(nóng)藥噴灑 地圖繪制等作業(yè) 減少后續(xù)數(shù)據(jù)傳輸 遠(yuǎn)程處理等步驟 農(nóng)業(yè)工程學(xué)報 http www tcsae org 2022 年 228 提高工作效率 如 Ukaegbu 等 70 基于無人機(jī)和樹莓派 3B 開展飛行作業(yè)過程中雜草檢測與除草劑自動噴灑研究 實現(xiàn) 0 5 m 的飛行高度下雜草檢測時間小于 1 s 精度大 于 98 Camargo 等 55 在邊緣設(shè)備 Nvidia Jetson AGX Xavier 上部署 ResNet 18 DCNN Dynamic Convolution Neural Network 動態(tài)卷積神經(jīng)網(wǎng)絡(luò) 模型實現(xiàn)雜草與作 物智能檢測 總體準(zhǔn)確率為 94 檢測速度達(dá)到 2 2 幀 s 實現(xiàn)雜草地圖的在線繪制 Partel 等 62 開發(fā)了一種智能除 草噴霧器 以 Nvidia Jetson TX2 作為邊緣計算端部署 YOLOV3 tiny 模型完成目標(biāo)雜草識別 平均檢測精度達(dá) 90 速度達(dá)到 22 幀 s 綜上所述 結(jié)合邊緣計算端與無 人機(jī)設(shè)備可以在飛行過程中執(zhí)行數(shù)據(jù)分析任務(wù) 減少了數(shù) 據(jù)交互帶來的時間成本 使得自主路徑規(guī)劃作業(yè)成為可 能 提高了工作效率 a 智能農(nóng)業(yè)無人機(jī)應(yīng)用系統(tǒng) 66 a Intelligent agricultural UAV application system 66 大田環(huán)境 設(shè)施環(huán)境 Field environment Facility environment b 智能農(nóng)業(yè)機(jī)器人 67 b Intelligent agricultural robot 67 c 智能移動終端界面 c Intelligent mobile terminal interface 圖3 基于邊緣計算的智能農(nóng)業(yè)裝備 68 Fig 3 The intelligent agricultural equipment based on edge computing 68 2 智能農(nóng)業(yè)機(jī)器人 隨著人工智能技術(shù)飛速發(fā)展 智能農(nóng)業(yè)機(jī)器人在內(nèi)部嵌入邊緣計算平臺 可以直接在 邊緣側(cè)實現(xiàn)對圖像信息的分析和決策 可以完成智能播 種 種植 耕作 采摘 收割 分選等一系列工作 71 部署人工智能算法的農(nóng)業(yè)機(jī)器人 相較于傳統(tǒng)控制作業(yè) 方式更加高效智能 可以應(yīng)用于復(fù)雜的農(nóng)業(yè)作業(yè)場景 如棉花打頂 智能除草 精準(zhǔn)灌溉等 Nilay 等 49 結(jié)合 FPGA 設(shè)備設(shè)計的水果采摘機(jī)器人 對采集到的圖像信息 進(jìn)行處理 目標(biāo)水果識別精度為 95 8 識別速度達(dá) 30 幀 s 實現(xiàn)了目標(biāo)水果的自動采集 Wang 等 54 結(jié)合邊 緣計算設(shè)計育苗機(jī)器人 通過在邊緣設(shè)備 Nvidia Jetson TX2 上部署 YOLOV4 tiny 模型實現(xiàn)了盆花的實時檢測與 定位 平均檢測準(zhǔn)確率 89 72 檢測速度達(dá)到 16 幀 s 完成了盆栽的自動化管理 Chechli ski 等 50 設(shè)計的自主 除草機(jī)器人 采用樹莓派 3B 作為邊緣計算設(shè)備以超過 10 幀 s 的檢測速度實現(xiàn)了雜草實時檢測 因此 將智能 農(nóng)業(yè)機(jī)器人與邊緣計算技術(shù)結(jié)合 突破了傳統(tǒng)農(nóng)業(yè)機(jī)器 人在復(fù)雜任務(wù) 復(fù)雜環(huán)境下作業(yè)的瓶頸 是智慧農(nóng)業(yè)的 重要發(fā)展方向 3 農(nóng)業(yè)智能移動終端 隨著智能移動終端的快速發(fā) 展 其算力和存儲性能不斷提高 使得復(fù)雜深度學(xué)習(xí)模 型部署成為了可能 72 基于智能移動終端設(shè)計人工智能 應(yīng)用程序 可實現(xiàn)便攜式 高精度的農(nóng)業(yè)信息采集與分 析 如 Liu 等 56 在移動智能手機(jī)上部署 GoogLeNet 模型 實現(xiàn) 21 種葡萄分類識別 準(zhǔn)確率達(dá) 99 91 Buzzy 等 60 將 YOLOV3 tiny 部署在智能手機(jī)端 實現(xiàn)了植物葉片的 檢測與計數(shù) 檢測時間小于 0 1 s Ai 等 59 將邊緣計算 與深度學(xué)習(xí)結(jié)合 以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建了 Inception ResNet v2 模型 并部署在手機(jī)端 應(yīng)用于植物 病蟲害的識別和檢測 總體識別準(zhǔn)確率為 86 1 綜上所 述 智能移動終端 具有拍照 聲音采集等通用傳感器 基于通用的 Android 開發(fā)平臺設(shè)計移動端人工智能應(yīng) 用程序 可以為智慧農(nóng)業(yè)提供便攜式 低成本智能檢測 方案 2 5 邊緣計算在農(nóng)業(yè)中應(yīng)用的設(shè)備核心 隨著邊緣計算的快速發(fā)展 越來越多的計算設(shè)備為 邊緣 AI Artificial Intelligence 應(yīng)用程序和嵌入式設(shè)備 而設(shè)計 農(nóng)業(yè)中常用的邊緣計算核心設(shè)備如圖 4 所示 主要包括樹莓派 英偉達(dá)小型計算平臺 FPGA 和手機(jī) 處理器等 該類設(shè)備具有體積小 結(jié)構(gòu)緊湊 功耗低 算力高等優(yōu)勢 73 常用的邊緣計算設(shè)備算力 功耗等性 能參數(shù)如表 2 所示 樹莓派 3B 自 2016 年發(fā)布以來 因 其高便攜性 低功耗受到了科研工作者的廣泛關(guān)注 到 2019 年樹莓派 4B 發(fā)布 計算能力相較于樹莓派 3B 有顯 著提升 較高性價比以及較小的體積使其常作為邊緣計 算核心設(shè)備集成于各類智慧農(nóng)業(yè)平臺中 74 此外 Xilinx PYNQ Z2 海思 Hi3559 等 FPGA SOC 芯片的計算能力 相較于樹莓派提升了近百倍 可以加載更加復(fù)雜的模型 并提高模型推理速度 75 近年來 Nvidia Jetson 推出的一 系列邊緣計算設(shè)備如 NANO TX2 AGX 等 其算力為 0 5 10 T 不等 可為不同農(nóng)業(yè)應(yīng)用場景提供最佳性價比 第 16 期 黃成龍等 邊緣計算在智慧農(nóng)業(yè)中的應(yīng)用現(xiàn)狀與展望 229 的檢測方案 76 a 樹莓派 4B a Raspberry Pi 4B b 賽靈思 PYNQ Z2 b Xilinx PYNQ Z2 c 海思 Hi3559A c Hisilicon Hi3559A d 英偉達(dá) Jetson TX2 d Nvidia Jetson TX2 e 英偉達(dá) Jetson NANO e Nvidia Jetson NANO f 英偉達(dá) Jetson AGX Xavier f Nvidia Jetson AGX Xavier 圖4 邊緣計算核心設(shè)備圖 Fig 4 Edge computing core equipment diagram 樹莓派以較低成本與高便攜性受到了許多研究者們 的青睞 Kundu 等 77 提出了 Custom Net 模型用于檢測珍 珠粟疾病 并將模型部署在樹莓派 3B 上實現(xiàn)了 98 78 的分類準(zhǔn)確率 Mishra 等 61 采用樹莓派 3B 并結(jié)合由專 用 CNN Convolutional Neural Network 硬件塊組成的 Intel Movidius 神經(jīng)計算棒作為邊緣設(shè)備 部署訓(xùn)練好 的深度 CNN 模型 實現(xiàn)玉米葉片的病害識別 準(zhǔn)確率 達(dá) 88 46 Tarek 等 63 將 MobileNetV3 部署在樹莓派 4B 上 實現(xiàn)番茄疾病的快速準(zhǔn)確診斷 檢測精度達(dá) 98 99 檢測效率為每張圖 250 350ms Emebo 等 64 構(gòu)建了一個番茄葉片病害分類模型 部署在手持式設(shè)備 的樹莓派上 模型平均精度達(dá) 99 01 Tufail 等 65 提 出了一種基于紋理 形狀和顏色特征組合的支持向量機(jī) 分類器 并將該算法部署在樹莓派 4B 上進(jìn)行實時監(jiān)測 分類準(zhǔn)確率達(dá) 96 檢測效率為 6 幀 s Meng 等 51 開 發(fā)了一種水下無人機(jī) 配備 360 全景攝像頭作為圖像 采集端 并在樹莓派 3B 上部署深度學(xué)習(xí)魚類識別模型 模型準(zhǔn)確率達(dá) 87 Nvidia Jetson 系列開發(fā)板以寬泛 出色的算力在眾多 邊緣設(shè)備中脫穎而出 且廠商提供了豐富的軟硬件支持 服務(wù) 因此以其作為邊緣計算設(shè)備的文獻(xiàn)報道最多 Seo 等 52 以 Nvidia Jetson NANO 作為邊緣計算端 基于 YOLOV4 tiny 設(shè)計了復(fù)雜場景下生豬識別和定位算法 檢測精度達(dá) 97 66 檢測速度為 34 38 幀 s 實現(xiàn)養(yǎng)豬場 生豬智能監(jiān)測 Deng 等 53 針對無人機(jī)對雜草識別及精準(zhǔn) 噴藥問題 構(gòu)建雜草識別輕量級的網(wǎng)絡(luò)架構(gòu) 并將其部 署在 Nvidia Jetson TX2 上 實現(xiàn) 4 5 幀 s 的檢測速度和 80 9 的檢測準(zhǔn)確度 表 2 常用邊緣計算設(shè)備及參數(shù) Table 2 Common edge computing devices and parameters 邊緣計算設(shè)備 Edge computing device 算力 每秒浮點運算次數(shù) Computing power FLOPS 功耗 Power dissipation W 網(wǎng)址 Website 樹莓派 3B 3 62 G 1 8 4 8 樹莓派 3B 5 3 G 2 6 9 4 樹莓派 4B 13 5 G 2 5 7 3 https www raspberrypi org https www raspberrypi org https www raspberrypi org Nvidia Jetson NANO 0 5 T 5 10 Nvidia Jetson TX2 1 3 T 7 5 15 Nvidia Jetson AGX Xavier 5 5 11 T 10 30 Nvidia Jetson Xavier NX 6 T 10 15 Xilinx PYNQ Z2 0 5T 5 15 Hi3559 4 T 3 10 Snapdragon 3 30 T 注 每秒浮點運算次數(shù) Floating point Operations Per Second FLOPS 1GFLOPS 等于每秒十億 10 9 次的浮點運算 1TFLOPS 等于每秒一萬億 10 12 次的 浮點運算 Note FLOPS is the floating point operations per second 1GFLOPS means one billion 10 9 floating point operations per second and 1TFLOPS means one trillion 10 12 floating point operations per second 除此之外 FPGA DSP 以及手機(jī)處理器也具有極強(qiáng) 的算力 可用于邊緣端數(shù)據(jù)處理 78 He 等 57 提出了一種 基于深度學(xué)習(xí)的油菜害蟲檢測方法 在移動智能手機(jī)上 部署 SSD w Inception 模型 實現(xiàn)油菜害蟲實時診斷 平 均檢測精度達(dá) 77 14 Ahmed 等 58 基于深度學(xué)習(xí)開發(fā)了 一種植物葉片疾病自動診斷移動式平臺 在 Android 移動 端對 14 種作物常見的 38 種疾病進(jìn)行分類 總體分類準(zhǔn) 確率達(dá)到 94 Liu 等 79 開發(fā)了一款基于 Android 的便攜 式植物表型分析應(yīng)用程序 實現(xiàn) 15 個整株性狀 25 個葉 片性狀和 5 個莖稈性狀的便攜式 實時檢測 綜上所述 面對不同的農(nóng)業(yè)應(yīng)用場景 用戶可以選擇合適算力的邊 緣計算設(shè)備 為農(nóng)業(yè)生產(chǎn)提供具有成本效益的解決方案 2 6 邊緣計算在農(nóng)業(yè)中應(yīng)用的主流深度學(xué)習(xí)算法 深度學(xué)習(xí)作為一種智能數(shù)據(jù)處理方法 廣泛應(yīng)用于 智慧農(nóng)業(yè)研究與生產(chǎn)實踐 然而大多數(shù)深度學(xué)習(xí)方法對 計算設(shè)備的算力和內(nèi)存需求較高 80