iCrop+：基于LoRa技术的设备端AI作物病害检测系统，具备自适应数据卸载功能

《ACM Transactions on Cyber-Physical Systems》：iCrop+: On-Device AI for Crop Disease Detection with Adaptive Offloading over LoRa

作物病害智能检测系统通过边缘计算与远程协同优化，利用LoRa通信实现轻量级模型与深度学习模型的协同工作，在保证高精度的同时显著降低数据传输量，为资源受限的农业环境提供高效解决方案。

　　

摘要AI总结

摘要

摘要

作物病害识别对于有效控制病害、防止疫情爆发以及减少农民损失至关重要。近年来，基于深度学习的先进图像处理技术在作物病害检测方面获得了广泛的应用。然而，将这些模型部署在实际农场中仍然面临挑战。首先，这些解决方案通常依赖于远程（服务器）处理，这需要传输大量的作物图像。在连接条件受限的环境中（如农村地区），这种做法往往不切实际。直接在终端设备上部署深度学习模型也不现实，因为它们对计算资源的需求很高。作为一种替代方案，人们开发了适用于资源受限的边缘设备的轻量级模型，以实现本地处理。然而，这些模型的预测性能通常有限，尤其是在处理复杂样本时。为了解决这些问题，我们提出了iCrop+，这是一个端到端的混合系统，它结合了设备上的AI进行本地处理和强大的深度学习模型进行远程处理。iCrop+根据本地分类的可靠性，通过LoRa通信选择性地卸载样本数据，同时采用基于类别和基于样本的卸载策略。为了进一步克服LoRa的数据传输速率限制，系统会对卸载的样本进行预处理，仅传输最具信息量的图像部分，从而确保数据传输的高效率而不影响准确性。iCrop+可以独立运行，也可以安装在农业机器人或无人机上，用于远程监测和决策，例如作物病害检测。在iCrop+原型上的大量实验表明，它在多个性能指标上均优于两种基线方法，展示了其在资源受限的农业环境中的实际应用潜力。

AI总结

AI生成的总结（实验结果）

该总结是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究内容的相关性，并协助来自相关研究领域的读者理解这项工作。它是对作者提供的摘要的补充，作者提供的摘要仍是论文的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对总结的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

AI生成的总结

该总结是由基于已发表文章文本的自动化系统生成的。

生成日期：2026年2月6日。

本文介绍了iCrop+，这是一个用于作物病害检测的自主系统，它结合了设备上的AI和通过LoRa通信进行的远程服务器处理。其目标是在大规模、资源受限的农业环境中提供准确高效的病害识别，这些环境往往网络连接和电源供应都有限。作物病害在全球范围内造成了巨大的损失，因此及时准确的检测至关重要。目前部署在服务器端的深度学习模型需要较高的带宽来传输大量图像，这不适合连接条件较差的远程地区。相比之下，本地运行的轻量级模型虽然牺牲了部分准确性，但在处理复杂样本时表现较好。

iCrop+结合了在支持LoRa的终端设备上运行的量化轻量级模型进行初步分类，以及在远程服务器上运行的强大CNN模型来处理不确定的案例。该系统采用了一种混合卸载策略，根据类别特定的预测精度和样本置信度来决定数据传输。被判定为可靠的样本会在设备上进行处理，而不确定的预测则会触发向服务器的适应性数据传输。为了减轻LoRa的低数据传输速率问题，系统仅传输通过简单颜色差异方法识别出的最具信息量的图像部分，从而在保证通信效率的同时不影响分类效果。

LoRa节点捕获作物叶片图像，并应用MobileNetV3-Small TinyML模型进行本地推理。验证过程中的混淆矩阵用于指导基于类别的卸载策略，其中精度较高的类别保留本地标签。对于精度较低的类别，系统会在卸载前评估预测置信度。在数据传输过程中，图像会被分割成多个部分，然后根据服务器请求逐步传输颜色多样性最高的Top-K部分。LoRa边缘服务器运行基于DenseNet201的模型进行最终分类，并在置信度不足时迭代请求更多部分，从而优化通信使用。

在对大豆病害数据集进行的广泛实验中，iCrop+的准确率与仅依赖服务器的方法相当，同时数据传输量减少了90%以上。与仅依赖本地推理或传输整个压缩图像的基线方法相比，它的性能更优。由于减少了数据传输，能源消耗和延迟也得到了改善。在不同距离下的测试证实了该系统在农业场地常见的网络范围内的稳定性能。此外，该系统能够适应不同的地理病害情况。

总体而言，iCrop+为在精准农业中部署嵌入式AI提供了一个灵活、可扩展且实用的解决方案。通过智能结合本地和远程处理以及适应性数据传输，它解决了现实世界病害监测中的关键挑战，即使在连接条件较差的农村地区也能实现及时、低成本的作物管理干预。

此内容由AI生成。了解更多