重新循环水产养殖系统边缘计算的轻量级深度决定性政策梯度:实时养控制,减少计算要求

科学领域:

• 人工智能的人工智能
• 水产养殖技术 水产养殖技术
• 边缘计算 边缘计算

背景情况:

• 实时水产养殖管理在资源有限的循环水产养殖系统 (RAS) 中面临先进算法的挑战.
• 之前的工作确定了深度决定性政策梯度 (DDPG) 控制器在商业RAS中的有效性.
• 对于在RAS中边缘部署的优化,轻量级模型的需求至关重要.

研究的目的:

• 引入一个轻量级的 DDPG 架构 (Edge-DDPG),以在 RAS 中高效地部署边缘计算.
• 为了减少实时水产养殖管理的计算复杂性和内存足迹.
• 为了使智能控制在中小型水产养殖业务中得到广泛采用.

主要方法:

• 开发了一种轻量级的 DDPG 架构,具有紧的神经网络和减少层次尺寸.
• 实现了基于ARM的边缘设备的存储效率高的重播缓冲器和CPU优化的操作.
• 在Raspberry Pi 4B上验证了Edge-DDPG框架,以实现实时性能和资源消耗.

主要成果:

• 边缘DDPG实现了85%的计算复杂度降低,保持了92%的原始模型的准确性.
• 实验验证显示,Raspberry Pi 4B的平均推断时间为15.2毫秒,符合实时控制要求.
• 该系统显示了94.3%的输送精度和96.1%的水质稳定性,内存使用量低 (47 MB).

结论:

• 边缘-DDPG框架为边缘设备上的实时水产养殖管理提供了一个计算效率高的解决方案.
• 显著的成本降低 (56,900美元至8,400美元) 是可以实现的,这有助于采用智能系统.
• 这项研究使人工智能驱动的先进控制能够提高水产养殖的效率和可持续性.