基于边缘计算的智能农业框架：整合物联网、轻量级深度学习与自主智能技术，实现情境感知的农业生产

《Results in Engineering》：Edge-Enabled Smart Agriculture Framework: Integrating IoT, Lightweight Deep Learning, and Agentic AI for Context-Aware Farming

智能农业边缘框架融合轻量级天气与作物识别模型及规则引擎驱动IoT，实现低延迟实时决策。

　　随着全球人口的持续增长、气候变化的加剧以及可耕地面积的不断减少，农业正面临着前所未有的挑战。为了应对这些挑战，现代农业正在向智能化、可持续化的方向发展。农业4.0作为这一趋势的代表，强调利用数字技术、自动化和人工智能来实现高效、精准的农业生产管理。然而，现有的许多农业解决方案在面对网络连接受限、能源消耗高以及部署成本高昂的问题时，显得力不从心。因此，研究团队提出了一种基于边缘计算的智能农业框架，旨在通过在设备端实现感知与决策，减少对云端的依赖，从而提升农业生产的效率和可持续性。

### 1. 研究背景

全球人口预计将在2050年达到100亿，到本世纪末可能超过110亿。这一增长趋势对粮食产量提出了更高的要求，预计需要提高70%的产量。然而，由于城市化和工业化的发展，全球可耕地面积正在减少，从大约2000万平方英里降至1800万平方英里。这种趋势意味着传统的农业模式无法满足未来的需求，亟需引入智能化技术以提高生产力和资源利用率。同时，农业的环境复杂性，如气候变化、土壤健康状况不稳定和资源利用效率低下，进一步增加了农业的环境和经济负担。因此，发展一种能够在边缘设备上实现自主决策的智能农业系统成为迫切的需求。

传统的农业方法主要依赖人工操作和经验判断，这些方法在面对快速变化的环境条件时缺乏足够的适应性。近年来，随着人工智能和物联网技术的发展，一些智能农业系统开始出现，如垂直农业、水培和气培等技术，这些方法通过实时监控和自动化管理来提高作物产量和质量。然而，这些系统通常需要高昂的基础设施投资，并且缺乏智能、自主的决策机制，无法根据实时环境变化做出反应。此外，一些基于AI和区块链的解决方案虽然在数据安全和可追溯性方面有所突破，但未能将实时的作物和天气信息与物联网设备的自动控制相结合，从而限制了其在实际农业生产中的应用。

为了弥补这些不足，本文提出了一种基于边缘计算的智能农业框架，结合轻量级深度学习模型、基于规则的智能决策层和物联网设备，实现作物识别和天气预测的实时、自主控制。该系统特别针对农村和资源受限环境进行了优化，能够减少对云端的依赖，降低通信开销，并支持低功耗运行。通过使用MiT-B0 Vision Transformer架构，该系统能够在128×128的低分辨率图像输入下，实现对11种天气类型和5种主要作物的高效分类。

### 2. 研究差距

尽管已有不少研究致力于智能农业的发展，但仍然存在几个关键的局限性。首先，大多数现有的边缘计算解决方案并未实现对多模态数据的融合，通常只专注于单一任务（如作物识别或天气预测），而跨情境的推理则依赖于云端服务或人工处理，这在农村地区网络连接不稳定的情况下显得不够可靠。其次，许多研究依赖于复杂的多传感器融合技术，这些技术在部署和维护上成本较高，且容易出现校准和同步问题。此外，大多数农业物联网系统仅能提供反应式的操作，缺乏基于规则的自动化决策机制，无法根据深度学习模型的输出直接触发具体的设备动作。最后，一些基于区块链或联邦学习的框架虽然在数据安全和隐私保护方面有所突破，但未能将实时的视觉感知与智能决策相结合，导致其在农业管理中的应用受限。

为了解决这些问题，本文提出了一种轻量级、统一的框架，该框架整合了作物识别和天气预测的双模型，以及基于规则的智能决策层和物联网设备的自动控制。这种设计不仅降低了硬件和软件的集成复杂度，还通过共享基础设施减少了维护成本。此外，该系统能够在设备端实现感知、决策和执行的闭环，确保农业管理的智能化和自主性，同时保持高可解释性和可追溯性。

### 3. 方法论

本文提出的智能农业系统分为两个主要步骤：第一，构建两个轻量级的深度学习模型，分别用于作物识别和天气预测；第二，利用这两个模型的输出进行基于规则的智能决策，并通过物联网设备实现自动控制。整个系统的核心是基于规则的智能决策层，该层能够将深度学习模型的输出转化为具体的设备动作，从而实现农业管理的智能化。

#### 3.1 基于规则的智能决策层

该决策层的核心功能是将感知到的环境信息（如天气状态和作物类型）转化为具体的农业操作指令。例如，当检测到小麦田出现霜冻时，系统会自动触发霜冻警报，并调整灌溉计划以防止霜冻对作物造成损害。为了实现这一目标，系统采用了一种确定性的决策策略，根据预设的规则对输入进行处理，并输出相应的控制命令。这种策略确保了系统在设备端的高效运行，同时避免了对云端的依赖。

#### 3.2 硬件和运行环境

所有案例研究均在Google Colaboratory上执行，配置包括Intel Xeon-class虚拟处理器、12–16GB系统内存、Ubuntu 20.04 LTS操作系统、Python 3.10以及相关库（如PyTorch、transformers、scikit-learn等）。此外，系统还支持NVIDIA Tesla T4 GPU和CUDA/cuDNN加速，以确保模型训练和推理的高效性。为了验证系统的实际运行效果，研究团队还制定了在Raspberry Pi 4和NVIDIA Jetson Nano等边缘设备上的部署协议，确保系统能够在资源受限的环境下稳定运行。

#### 3.3 模型选择与基准设定

为了在边缘设备上实现高效的模型推理，研究团队选择了MiT-B0 Vision Transformer架构作为两个模型的骨干网络。这一架构具有轻量级的特点，能够处理低分辨率的图像输入，并在CPU上实现快速推理。此外，该架构还保留了全局接收域，有助于捕捉场景级别的信息，从而提高模型的分类性能。为了保持模型的通用性和可扩展性，研究团队没有对其他轻量级CNN架构（如MobileNet和EfficientNet-Lite）进行基准测试，而是专注于MiT-B0的实现，确保其在不同农业场景中的适用性。

#### 3.4 模型训练与验证

作物识别和天气预测模型均基于MiT-B0架构进行训练和验证。对于天气模型，研究团队使用了3428张图像数据，涵盖11种不同的天气类型，包括露、雾、霜冻、冰雹、雷电、雨、彩虹、冰晶、沙尘暴和雪。这些数据经过标准化处理，包括图像尺寸调整为128×128像素和归一化操作。训练过程中采用了Adam优化器，学习率设为1×10^-4，动量为0.9，权重衰减为1×10^-5，批次大小为32，并使用4个线程进行数据加载。经过10轮训练后，天气模型在测试数据上达到了88%的准确率，并在多个评估指标（如F1分数、MAE、Kappa值和Hamming损失）上表现出色。

对于作物模型，研究团队使用了804张图像数据，涵盖5种主要作物类型：甘蔗、玉米、水稻、小麦和黄麻。这些数据同样经过归一化处理，并采用相同的训练参数进行训练。经过10轮训练后，作物模型在测试数据上达到了93%的准确率，并在多个评估指标上表现出色。模型的高精度和高召回率表明其在作物识别任务中具有较强的泛化能力和鲁棒性。

#### 3.5 智能决策与物联网设备的集成

为了实现农业管理的智能化，系统在作物识别和天气预测的基础上，引入了基于规则的智能决策层。该层能够根据模型的输出，触发相应的物联网设备操作。例如，当检测到霜冻和小麦时，系统会自动激活霜冻警报，并延迟播种时间以避免霜冻对作物的影响。此外，系统还支持备用规则，即在单个模型输出不确定时，根据预设的优先级（安全优先、产量优先、资源节约）选择适当的响应策略。这种设计确保了系统在复杂环境下的灵活性和可靠性。

#### 3.6 应用实例

为了验证系统的实际运行效果，研究团队提供了两个应用实例。第一个实例展示了系统在检测到水稻和降雨时，如何通过联合规则触发智能灌溉控制和土壤湿度监测。第二个实例则展示了系统在检测到小麦和雾/烟雾时，如何通过单独规则触发霜冻警报和无人机监测。这些实例表明，系统能够在不同的农业场景中，准确地识别作物和天气状况，并根据规则生成相应的控制命令，从而实现农业管理的智能化和自动化。

### 4. 研究成果与讨论

#### 4.1 与现有研究的比较

与现有研究相比，本文提出的天气模型和作物模型在多个方面表现出色。首先，天气模型在测试数据上达到了88%的准确率，这比许多传统模型（如CNN、RNN、决策树等）的准确率（62%-83.41%）更高。其次，该模型在轻量级设计方面具有显著优势，能够处理128×128的低分辨率图像输入，并在CPU上实现快速推理。此外，该模型还集成了基于规则的智能决策层，能够将深度学习模型的输出转化为具体的物联网设备操作，从而实现农业管理的闭环控制。

作物模型在测试数据上达到了93%的准确率，其精度、召回率和F1分数均高于其他研究中的模型（如VGG16、ResNet、SVM等）。这一高精度表明作物模型在识别不同作物类型方面具有较强的泛化能力和鲁棒性。此外，作物模型的轻量级设计使其能够在资源受限的边缘设备上高效运行，同时保持较高的分类性能。

#### 4.2 系统的通用性与可扩展性

本文提出的框架不仅适用于当前的5种作物和11种天气类型，还能够通过微调模型头来扩展到更多的作物和天气条件。为了确保系统的稳定性，研究团队采用了一种平衡的采样策略，并通过混淆矩阵分析来评估不同类别之间的区分度。此外，系统还引入了不确定性处理机制，即在低置信度预测时触发监控或警报，而不是直接执行操作。这种设计有助于防止系统在罕见或新兴条件下出现误操作，从而提高系统的安全性和可靠性。

#### 4.3 部署考虑与经济因素

尽管本文的系统在实验室环境中表现出色，但在实际部署中仍需考虑一些现实因素。首先，系统需要在边缘设备上运行，这要求设备具备足够的计算能力和存储空间。其次，系统在部署时需要考虑电力供应和通信成本，尤其是在农村或资源受限的环境中。为了降低部署成本，研究团队采用了一种轻量级的硬件配置，包括使用128×128分辨率的摄像头和MiT-B0架构，以减少计算需求。此外，系统还支持模块化设计，使得各组件可以独立更新或替换，从而降低了维护成本。

在经济层面，系统能够通过减少带宽和云服务的使用，以及降低人工检查的频率，来节省运营成本。此外，系统还支持精准操作，例如仅在特定作物和天气条件下触发警报，从而避免不必要的设备使用。这些设计使得系统在资源受限的环境中具有较高的性价比，同时保持较高的分类性能和运行效率。

### 5. 结论与未来展望

本文提出的基于边缘计算的智能农业框架，通过整合轻量级深度学习模型、基于规则的智能决策层和物联网设备，实现了农业管理的智能化和自动化。该系统能够减少对云端的依赖，降低通信开销，并支持低功耗运行，从而满足资源受限环境的需求。此外，系统还具备良好的可扩展性和可维护性，能够根据实际需求进行调整和优化。

未来的工作将包括将模型部署到边缘硬件（如Raspberry Pi和NVIDIA Jetson Nano）上，以验证其在真实环境中的运行效果。此外，研究团队计划引入多季节和多地区数据集，以提高系统的泛化能力。同时，还将扩展决策层，使其能够处理更多农业相关信号，如害虫和杂草检测、土壤营养分析和作物生长阶段识别。此外，研究团队还计划探索与外部环境数据源（如卫星图像和天气API）的集成，以提供更丰富的上下文信息。最后，为了确保系统的长期稳定运行，研究团队还将加强物联网设备之间的互操作性和网络安全，以支持分布式部署和长期运行。

通过这些改进，本文提出的智能农业框架有望成为未来农业智能化的重要组成部分，为可持续农业4.0提供可靠的解决方案。