AI-Enabled Sustainable Precision Farming Using Raspberry Pi and Coral Edge TPU with Cloud-Based Model Training
Prakash Kanade · Shetty Chirag · Sunay Kanade
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。
计算机视觉、云端模型训练与量化、边缘TPU部署、IoT多传感器融合。
模型准确率94.82%，推理延迟约38ms，条件监测可节水22%。
可探索多作物泛化、边缘模型自适应更新及水肥药协同优化，并量化长期可持续效益。
技术路线完整、指标具体，但属单篇学术论文，产业影响有限，可作为智慧农业技术参考而非每日精选头条。
精准农业需要智能、自适应且高效的技术，能够根据植物和环境状况在恰当时机做出农业决策。本文提出开发一种基于人工智能的可持续精准农业系统，该系统依托计算机视觉、基于云端的模型训练、树莓派（Raspberry Pi）、Coral边缘TPU（Edge TPU）以及物联网（IoT）传感技术。所提出的架构包含感知层、边缘处理层、云智能层和应用层，实现了从田间到实时决策支持的完整数据处理流水线。系统采集作物照片用于AI状态分类，并通过内置传感器采集土壤湿度、温度、空气湿度和光照强度等农业环境条件。经过上述预处理、归一化、图像缩放和数据增强后，数据集被划分为训练集、验证集和测试集。随后，在云环境中训练好的深度学习模型经过量化和转换，针对边缘设备进行优化。优化后的模型达到了94.82%的准确率、94.47%的精确率、94.05%的召回率和94.26%的F1分数，表现优异。与仅使用树莓派处理相比，部署Coral边缘TPU将推理延迟降低至约38毫秒，将处理吞吐量提升至每秒26.3张图片，并降低了CPU占用率。该边缘辅助架构减少了对云端持续连接的需求，提升了本地决策能力。一项示例性可持续性研究估计，基于状态的监测可节省22%的每日灌溉用水量。研究结果表明，在精准农业系统中引入边缘AI和云智能，构建响应迅速、可扩展且资源高效的农业系统，在技术上是可行的。