用云雾计算处理智能农业应用的图像处理

科学领域:

• 农业技术 农业技术
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 物联网 (IoT) 产生了大量数据,需要先进的分析解决方案,特别是用于农作物监测的智能农业.
• 持续监测作物生长有助于及时干预疾病,杂草和害虫控制,提高农业生产力和可持续性.
• 使用卷积神经网络 (CNN) 的图像分析为增强智能农业决策系统提供了巨大的潜力.

研究的目的:

• 开发一个深度学习模型,用于对资源有限的Fog计算设备进行优化的图像分类.
• 通过高效的图像处理,实现早期问题检测和优化智能农业的资源管理.
• 通过利用边缘计算和雾计算来减少农业运营成本和人工劳动,用于数据处理.

主要方法:

• 实现一个Fog计算架构,连接云和边缘设备进行数据处理.
• 开发和优化用于图像分类的深度学习模型,适用于硬件有限的设备.
• 在现场可编程门阵列 (FPGA) 上测试西红疾病分类模型,以评估性能权衡.

主要成果:

• 拟议的解决方案有效地将数据处理卸载到Edge和Fog设备上,提高了系统的响应能力和可靠性.
• 实现了数据传输和存储成本的显著降低.
• 针对FPGA执行的优化模型显示,对番茄病分类的测试准确性 (0.83%) 的最小下降,保持高性能 (95.46%).

结论:

• 开发的深度学习模型可以适应在资源有限的Fog计算设备上实现,从而增强智能农业应用.
• 在边缘优化图像处理可以显著提高系统效率,降低成本,提高整体可靠性和安全性.
• 该方法证明了平衡模型大小和精度的可行方法,这对于在农业边缘环境中部署AI至关重要.