随着深度学习模型与下一代边缘设备的飞速发展，农业图像分类正经历从传统“云端中心化”向“边缘侧AIoT”的范式迁移。本文由 Maurizio Pintus 等学者撰写，是一篇关于实时边缘AIoT在农业图像处理领域应用的综述。文章系统性地梳理了如何在资源受限的硬件环境下实现高效的作物监测与病虫害识别，全面覆盖了从高质量数据集构建、轻量化算法演进到硬件加速器集成的全技术链条。通过对现有研究的综合评估，本文旨在为农业监测和精准作业提供一套完整的技术路线图，推动智慧农业从理论走向大规模实地应用。

• 关键技术综述与进展

本文首先剖析了传统云端物联网模式在现代农业应用中的局限性，特别是在实时性要求极高的自动化喷施和机器人导航场景下，带宽限制与高延迟成为了主要瓶颈。通过对现有研究的综合评估，文章详细阐述了边缘AIoT (Edge-based AIoT) 的必要性，即通过在靠近数据源的终端进行推理，实现即时决策。在数据层面，综述总结了应对农业数据稀缺性的主流策略，包括利用生成对抗网络 (GANs) 产生合成图像以及通过数据增强技术克服作物表型的季节性差异。作者指出，虽然开源数据集不断增加，但构建具备泛化能力的“硬件友好型”数据集仍是当前领域内提升模型鲁棒性的核心前置条件。

在算法与硬件协同优化方面，本文系统回顾了近年来轻量化深度学习架构的演进逻辑，重点评价了YOLO系列、MobileNet以及最新涌现的KANs和XNets架构在农业视觉任务中的表现。文章深入比较了CPU、GPU、NPU及TPU等不同硬件加速器在处理实时流媒体数据时的功耗与算力平衡点。通过总结多项应用案例，本文梳理出一套从模型裁剪、量化到部署的标准化流程，展示了如何利用Intel OpenVINO等优化工具链在嵌入式设备上实现亚秒级的识别响应。综述强调，当前的技术趋势已从单纯追求算法准确率转向追求“性能-功耗-成本”的综合最优解，本文旨在通过对ICT领域最新进展的归纳，解决如何在碎片化、复杂的野外环境中构建高效实时视觉监控系统这一关键问题。

• 总结和展望

本文通过对边缘AIoT技术的全面综述，描绘了未来智慧农业从“感知”向“实时决策”跨越的技术蓝图。尽管当前在复杂光照环境下的模型泛化能力以及跨平台部署的标准化方面仍存在挑战，但边缘智能的普及已是大势所趋。展望未来，文章认为多模态传感器融合 (如 3D LiDAR 与高光谱成像) 以及具备持续学习能力的神经网络架构将成为研究热点。这种从云端向边缘迁移的处理范式，不仅能够显著降低农业生产对网络基础设施的依赖，更将为无人机群协作、智能农机精准作业等高阶应用提供坚实的理论支撑与实践参考。

阅读英文原文：https://www.mdpi.com/3175240

• 期刊介绍

主编：Amiya Nayak, University of Ottawa, Canada

期刊发文方向包括但不限于物联网中的人工智能和分析、物联网隐私、安全和信任、物联网网络设计和架构、物联网赋能技术 (包括超低功耗物联网技术)、物联网技术在智能环境中的应用等。期刊已被ESCI (Web of Science)、Scopus、EBSCO等数据库收录。

2024 Impact Factor：2.8

2024 CiteScore：8.7

Time to First Decision：25.5 Days

Acceptance to Publication：5.3 Days

期刊主页：https://www.mdpi.com/journal/IoT